5G 网络规划与勘察设计
这篇记录 5G 网络从预规划到工程执行的基本流程。主线是：确认建网需求，评估 4G 现网，估算站点规模，做仿真评估，再进入站点勘察、仿真设计和参数规划。 本文整理自 2022 年课程和当时的设备实施资料。流程可用于建立整体认识，具体参数、模板与验收要求应以当前项目规范为准。 课程目标及参考书目参考书目 EMB6116/6216工程现场勘察实施细则.doc EMB6116、6216安装规范_V2.01.00 5G工程配套需求(TDAU5164N41/5264N41)(2.6G 100M)-20190116 课程目标 了解勘察的流程 掌握站址勘察内容 掌握站址勘察输出文档 掌握辅材配置 概述5G网络建设主要依托现网站址资源，合理利用4G现网的MR、业务统计、测试等多维数据，以提升网规方案的完备度和准确性。5G网络规划的主要流程分为两个阶段，六个环节。网络规划的输入项包括： 现网基站信息、网管统计、MR数据（知道哪里信号好）【红色覆盖不好/业务高，蓝色覆盖好/业务低】、测试数据、投诉（最重要一点，绩效点）和电子地图等; 输出网规方案，...
5G 网络规划与勘察基础
这篇是规划与勘察设计前的名词表。重点记住 DT、MR、RF 参数、站点勘察、仿真评估这些词分别对应网络建设的哪个环节，后面看规划流程时会轻松很多。 板卡型号和维护术语来自当时的课程设备，可能带有厂商和版本差异。 名词汇总规划与勘察 名词 定义 DT 测试 Drive Test，沿规划路线采集无线覆盖和业务性能数据 MR Measurement Report，终端上报的无线测量数据，可用于网络评估和优化；上报周期由配置与业务状态决定 Massive MIMO 大规模多输入多输出，通过多天线和波束赋形改善覆盖与容量；课程资料中有时简称为 MM RF Radio Frequency 射频 PCI Physical Cell Identifier 物理小区标识，LTE中终端以此区分不同小区的无线信号 PRACH Physical Random Access Channel 物理随机接入信道 TAC Tracking Area Code 跟踪区代码，用于寻呼和位置更新 RSRP Reference Signal Received Power，参考信...
5G 频谱划分与应用
这篇把 5G 频谱从概念推进到应用：先看 FR1/FR2 和带宽配置，再看海外频谱分布，最后落到国内运营商的频谱划分。记忆时不要死背整张表，先抓住“低频覆盖好、中频容量均衡、高频带宽大但覆盖短”的主线。 国内外频谱分配部分是 2022 年的资料整理，只反映当时情况。查看当前频谱时，应以监管机构和运营商公开信息为准。 概述相比 4G，5G 把目标场景从移动宽带扩展到低时延通信和大规模机器连接，频谱配置也因此更复杂。 5G业务更加丰富，其内容包括 eMBB（增强移动宽带）：大带宽业务 URLLC（超可靠低时延通信）：工业控制、车联网等高可靠低时延业务 mMTC（海量机器类通信）：大规模物联网连接 标准愿景中常用下面这些指标描述三类能力，但它们不是所有实际业务都必须同时达到的固定门槛： 用户体验速率大于1Gbps 时延小于1毫秒 每平方公里有100万个连接 不同业务需要在覆盖、容量和时延之间取舍，因此 5G 会组合使用低频、中频和毫米波频段。 5G 频谱分配更分散 5G特点与5G频谱特点概述： 5G： 高带宽 低延时 大容量 5G频谱： 频段高 分布广 分配复杂...
用 PyTorch 复现 VGG
这篇接着 AlexNet 的花卉分类练习，换成 VGG 网络。VGG 的代码重点不在某个复杂算子，而在于用配置列表批量生成卷积和池化层。列表中的数字表示卷积核数量，M 表示最大池化层，所以 VGG11、VGG13、VGG16、VGG19 可以共用同一套构建函数。 代码仍然使用 flower_data/train 和 flower_data/val，类别数为 5。数据划分和预测预处理可以沿用上一篇，下面只保留 VGG 自己的部分。 定义网络：model.py12345678910111213141516171819202122232425262728293031323334353637383940414243444546import torchimport torch.nn as nnCONFIGS = { "vgg11": [64, "M", 128, "M", 256, 256, "M", 512, 512, "M", 512, 512, "M"...
5G 频谱基础
这篇先整理 5G 频谱学习前需要记住的基础概念，包括 eMBB、URLLC、mMTC 三类业务，FR1/FR2 频段，信道带宽、保护带宽和传输带宽之间的关系。后面的频谱划分与应用文章会在这些概念上继续展开。 频段分配表来自 2022 年课程资料，不能当作当前频谱使用情况。基础术语可继续参考，运营商频段和国家政策请查最新官方文件。 名词汇总5G的业务类型 名词 定义 eMBB Enhanced Mobile Broadband，增强移动宽带，面向高清视频、云应用等大带宽业务 URLLC Ultra-Reliable and Low-Latency Communications，面向工业控制、车联网等高可靠低时延业务 mMTC Massive Machine Type Communications，面向大量低功耗物联网设备连接 5G网络工作频段与带宽 名词 定义 UL up link 上行 DL down link 下行 FDD 频分双工 TDD 时分双工 SUL Uplink Supplementary Bands 上行...
5G 网络架构与组网部署
这篇是 5G 网络架构的主笔记，建议和上一篇“预备知识”一起看。阅读路线可以按“核心网演进 → 接入网拆分 → 网元接口 → SA/NSA 组网 → CU/DU 部署”走，先把每个接口连接谁、承载什么面搞清楚。 内容整理自 2022 年课程资料。基础网元与接口关系仍可作为复习线索，具体 Option、部署方式和设备能力应以当前网络与规范为准。 课程目标 5G网络整体架构组成 主要网元功能 网元接口关系 5G网络组网部署策略 5G网络架构的演进趋势网络架构概述5G网络架构5G移动通信系统包括**5GC(5G Core Network，5G核心网)和NG-RAN(Next Generation Radio Access Network，5G无线接入网)**。 5G核心网与5G接入网通过NG接口连接，实现控制面和用户面功能; 5G无线接入网之间通过Xn接口连接，实现控制面和用户面功能。 5G移动通信系统整体架构如图所示。 知识点： 5GC 5G核心网 NG-RAN 5G无线接入网 gNB：5G 基站（gNodeB），SA 接入网中的主要基站类型 ng-e...
VGG 网络结构
这篇主要解释 VGG 为什么反复堆叠 3 x 3 小卷积核。核心结论是：多个小卷积核可以获得和大卷积核相同的感受野，同时减少参数量，并引入更多非线性变换。 VGG详解VGG 由牛津大学 Visual Geometry Group 在 2014 年提出，在当年 ImageNet 的定位任务中排名第一、分类任务中排名第二。原论文地址：Very Deep Convolutional Networks for Large-Scale Image Recognition VGG网络的创新点：通过堆叠多个小卷积核来替代大尺度卷积核，可以减少训练参数，同时能保证相同的感受野。论文中提到，可以通过堆叠两个3×3的卷积核替代5x5的卷积核，堆叠三个3×3的卷积核替代7x7的卷积核。 CNN感受野在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野（receptive field）。通俗的解释是，输出feature map上的一个单元 对应 输入层上的区域大小。 以下图为例，输出层 layer3 中一个单元 对应 输入层 layer2 上区域大小为2×2（池化操作），...
5G 网络架构基础
5G 网络架构里名词很多，容易看晕。这篇先把核心网、接入网、SA/NSA、CU/DU、NG/Xn/F1/E1/Uu 等概念串起来，后面再看组网部署会顺很多。 这份笔记整理于 2022 年，适合用来复习基础架构和接口关系。网络现状、设备能力与部署策略会继续变化，工程使用时应以最新 3GPP 规范和运营商资料为准。 名词汇总核心网与接入网 名词 定义 核心网 负责用户接入与移动性管理、会话管理、策略控制，以及把业务数据转发到外部数据网络。 接入网 位于终端和核心网之间，负责无线接入、无线资源管理及用户面数据传输。 我当时用快递系统来帮助记忆：接入网像收件和分拣入口，核心网再依据用户与会话信息决定数据往哪里走。这个类比不覆盖协议细节，但能先把两者的位置分开。 5G网络架构 名词 定义 SA组网 (Standalone)5G独立组网 NSA组网 (Non-Standalone)5G非独立组网 NB 3G基站代称 eNB 4G基站代称 gNB 5G基站代称 en-gNB 承载部分...
用 PyTorch 复现 AlexNet
这篇把 AlexNet 用到五分类花卉数据集上。流程和前面的 LeNet Demo 相同，只是多了数据集划分，模型也更深：准备 ImageFolder 目录、定义网络、训练并保存最优权重，最后预测单张图片。 我在全连接层使用 2048 个节点，而不是原论文的 4096 个节点。这样能减少本地显存占用，所以它是适合练习的 AlexNet 变体，不是逐参数复刻论文。 准备数据集数据集下载地址：http://download.tensorflow.org/example_images/flower_photos.tgz 原始目录中每个子目录代表一个类别： 1234567flower_data/ flower_photos/ daisy/ dandelion/ roses/ sunflowers/ tulips/ 下面的脚本把 10% 图片随机划到验证集。它会重新创建 train 和 val 目录，运行前不要在这两个目录里放其他文件。 123456789101112131415161718192021222324252627282930313233343...
AlexNet 论文阅读笔记
ImageNet Classification with Deep Convolutional Neural Networks 是我读 AlexNet 时的原始材料，另参考了这份中文翻译。这篇只记我真正想带走的几个设计，不再把论文内容逐段搬过来。 ReLU 为什么重要论文用 CIFAR-10 做了一个很直观的对比：在达到相同训练误差时，使用 ReLU 的网络比使用 tanh 的网络快很多。f(x) = max(0, x) 的计算简单，正区间也不会像 sigmoid、tanh 那样进入饱和区。对当时更深、更大的网络来说，训练速度不是小优化，而是模型能不能训出来的问题。 现在 ReLU 已经很常见，容易让人低估这一步在 2012 年的意义。AlexNet 并不是第一个提出 ReLU 的工作，但它证明了 ReLU 放进大规模 CNN 后确实有效。 双 GPU 结构是硬件条件留下的痕迹训练使用的 GTX 580 只有 3 GB 显存，作者把通道分到两块 GPU 上。大多数卷积层只读取同一块 GPU 的上一层特征图，第三个卷积层会读取两边的全部特征图，形成一次跨 GPU 信息交换。 所以结...
