一文搞懂Wi-Fi理论速率怎么计算的

1. 总体说明

        做Wi-Fi开发的同学可能比较疑惑Wi-Fi 6 & Wi-Fi 7 动不动就几十个G的理论速率,这些速率到底是怎么计算出来的? 其实Wi-Fi的理论速率计算也很简单,Wi-Fi理论速率的计算公式如下:

        理论速率 = 空间流数量 x 1/(Symbol + GI) x 编码方式 x 码率 x 有效子载波数量

是不是大家看了这个公式更懵逼了, 接下来我们就一一解释各个参数的由来;

2. 参数说明

2.1 空间流数量

        空间流数量其实很简单,一般就是我们常说的是几T几R,你可以简单的理解为有几根天线就是有几个空间流数量; 比如现在一般的手机等STA终端都是2T2R的,这代表着他有2根天线也就是2个空间流;有些高端一点的路由器可以做到8T8R也就是8个空间流;

2.2 Symbol&GI

  • Symbol:中文翻译为符号;使用OFDM调制方式时,一个Symbol能承载的bit数量根据调制方式确定;如64QAM能承载6个bit(2^6=64);256QAM能承载8个bit(2^8=256);1024QAM能承载10个bit(2^10=1024);4096QAM能承载12bit(2^12=4096)

  • GI:Guard Interval,中文翻译为保护间隔;GI的主要作用是在每个Symbol之间增加一个保护间隔,目的是为了减少前后两个

  • 20
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Faster R-CNN是一种目标检测法,用于在图像中定位和识别物体。它是R-CNN法的改进版本,通过引入区域提议网络(Region Proposal Network,RPN)来提高检测的速度。 Faster R-CNN的工作流程可以分为两个阶段:区域提议和物体分类。 在区域提议阶段,首先使用卷积神经网络(CNN)对输入图像进行特征提取。然后,RPN通过滑动窗口在特征图上生成一系列候选区域。每个候选区域都有一个边界框(bounding box)和一个预测得分。RPN通过一个二分类器来判断每个候选区域是否包含感兴趣的物体,并根据得分对候选区域进行排序。 在物体分类阶段,对于每个候选区域,使用RoI池化层将其映射为固定大小的特征向量。然后,这些特征向量通过全连接层进行分类和回归,得到每个候选区域的类别预测和边界框坐标调整。 整个网络采用端到端的训练方式,在训练过程中同时优化RPN和分类网络。训练时,通过计算候选区域与真实标注框之间的IoU(交并比)来确定正负样本,并使用多任务损失函数进行优化。 Faster R-CNN相比于R-CNN,通过引入RPN网络实现了端到端的训练,避免了繁琐的候选区域提取过程,大大提高了检测的速度和准确性。同时,Faster R-CNN还可以通过改变RPN的输出尺度来检测不同大小的物体。这使得Faster R-CNN成为目标检测领域的重要方法之一。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值