matlab 功率谱密度 汉宁窗_「专利解密」“多穿一堵墙”——华为Wifi6+如何提升功率谱密度...

【嘉德点评】华为通过选择传输功率谱密度进行数据传输的方案,使得站点在提高接入信道概率的同时还可以采用尽可能大的功率谱密度进行数据传输,从而最大化提升系统的传输效率。

集微网消息,Wi-Fi6刚刚进入大众的视野,华为就在今年2月底的终端产品与战略线上发布会上推出了Wi-Fi 6+技术。Wi-fi6+采用芯片级协同,动态窄频宽技术,可以大幅提升华为Wi-Fi 6手机等终端侧的功率谱密度(PSD)。另外该技术在近距离还能达到160MHz超大频宽,实现信号“多穿一堵墙”效果。

那么如何提高PSD和传输效率呢?其实空闲信道评估(Clear Channel Assessment, CCA)调整是当前IEEE802 .11ax标准(Wi-Fi6)研究的一个热点话题。在非授权频谱上,站点在进行数据发送之前需要首先侦听信道状态,当侦听到的功率大于CCA阈值的时候,判断信道为繁忙状态,不允许进行数据的发送。相反,当侦听到的功率小于等于CCA阈值的情况下,站点可以进行回退,当回退结束后进行数据的发送。

所以在一定范围内提高CCA阈值可以增加系统的吞吐量,可提高的范围取决于具体的应用场景。Mediatek公司之前提出了一种将CCA阈值与传输带宽相关联的方法,用来增加站点接入信道的概率。然而在方案中,一部分场景中的站点不能采用尽可能高的功率谱密度进行数据发送,即没有最大化接收站点的接收信噪比,这样也就导致未能最大化系统的传输效率。

为了解决这个问题,华为申请了一项名为“一种数据传输方法、装置和设备”(申请号:201480083782.8)的发明专利,申请人为华为技术有限公司。在此专利中,华为提出了一种数据传输方法,通过选择传输功率谱密度进行数据传输的方案,以使得站点在提高接入信道概率的同时还可以采用尽可能大的功率谱密度进行数据传输,从而最大化系统的传输效率。

c8d328b398cf509494da70099c0623f4.png

图1 传输功率谱密度获取示意图

上图是此发明提出的一种得到传输功率谱密度的方法示意图。首先我们要先初始化传输功率谱密度(401),给传输功率谱密度设置一个默认的初始值,该初始值等于传输功率/主信道的带宽。比如,当主信道的带宽为20MHz时,该初始值可以为PD20M。

然后依次针对一个或多个处理时间段,执行步骤402、403。其中,一个或多个处理时间段是指随机帧间间隔(AIFS)或分布式协调帧间间隔时间(DIFS),以及若干个时隙。对于步骤402,我们可以在主信道上进行空闲信道评估CCA侦听,得到CCA侦听到的信号功率强度。然后根据CCA侦听到的功率值,更新传输功率谱密度(步骤403)。CCA侦听到的功率值越大,更新的传输功率谱密度就会越小。

接着在步骤404中,我们要判断当前处理时间段的CCA侦听到的功率值是否小于预设的CCA阈值。如果不满足此条件,就回退计时器挂起;否则,就执行步骤405将回退计时器减1。接下来就要对回退计时器进行判断,当回退计时器的值不为0时,说明还有处理时间段未进行CCA侦听,则应进行下一个处理时间段的CCA侦听,随即跳回到步骤402;否则就能直接得到传输功率谱密度。

最后更新的传输功率谱密度即为最终得到的传输功率谱密度,也就是说,对于步骤403更新的传输功率谱密度,只要回退计时器等于0时,更新得到的传输功率谱密度就是根据主信道的信道情况,确定的传输功率谱密度。

除了基于国际Wi-Fi 6标准协议改进传输方法提高功率谱密度外,华为Wi-Fi 6+ 的实现也离不开其自研芯片所开发的独特功能。不管是软件还是硬件,这无外乎都来自于华为不断创新,不断拼搏的效果。Wi-Fi6+的诞生必然会引起一阵轰动,同时也希望华为可以继续为世界输送更高端的科技力量。

关于嘉德

ec3373c8dd18445f7109a49ff3646485.png

深圳市嘉德知识产权服务有限公司由曾在华为等世界500强企业工作多年的知识产权专家、律师、专利代理人组成,熟悉中欧美知识产权法律理论和实务,在全球知识产权申请、布局、诉讼、许可谈判、交易、运营、标准专利协同创造、专利池建设、展会知识产权、跨境电商知识产权、知识产权海关保护等方面拥有丰富的经验。

(校对/holly)

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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