LTE FDD eNB二级认证_LTE FDD eNodeB硬件结构及原理.xls

在最初学习PYTHON的时候，只知道有DOM和SAX两种解析方法，但是其效率都不够理想，由于需要处理的文件数量太大，这两种方式耗时太高无法接受。 在网络搜索后发现，目前应用比较广泛，且效率相对较高的ElementTree也是一个比较多人推荐的算法，于是拿这个算法来实测对比，ElementTree也包括两种实现，一个是普通ElementTree（ET），一个是ElementTree.iterparse（ET_iter）。 本文将对DOM、SAX、ET、ET_iter四种方式进行横向对比，通过处理相同文件比较各个算法的用时来评估其效率。 程序中将四种解析方法均写为函数，在主程序中分别调用，来评估其

Rosenbrock函数的定义如下： 其函数图像如下： 我分别使用梯度下降法和牛顿法做了寻找Rosenbrock函数的实验。 梯度下降 梯度下降的更新公式： 图中蓝色的点为起点，橙色的曲线（实际上是折线）是寻找最小值点的轨迹，终点（最小值点）为 (1,1)(1,1)。 梯度下降用了约5000次才找到最小值点。 我选择的迭代步长 α=0.002α=0.002，αα 没有办法取的太大，当为0.003时就会发生振荡： 牛顿法 牛顿法的更新公式： Hessian矩阵中的每一个二阶偏导我是用手算算出来的。 牛顿法只迭代了约5次就找到了函数的最小值点。 下面贴出两个实验的代码。 梯度下降：

线性最小二乘法我们应该非常熟悉了，例如对样本数据进行多项式拟合等。但实际工程应用中，我们所接触的很多问题都无法转化为线性方程组，也就无法使用线性最小二乘法进行优化了，那自然而然地我们就应该转而求助于非线性最小二乘法。一直以来，各路大神们提出了各种各样的优化算法，很多都是一脉相承，不断创新的，所以最好不要孤立地看待这些算法。目前来说，Levenberg–Marquardt 法可以说是求解非线性最小二乘问题的标准算法了，也就是应用十分广泛，例如运动参数估计、相机内部参数标定等等，其性能也是得到很多论文背书的。不过，一上来就扔出这么长的一串名字似乎让人觉得 LM 算法十分的复杂，但实际上，LM 算法

资料是关于爱立信4G，及TD-LTE的主设备的介绍资料。描述了各设备的主要属性

压缩文件包含 srsLTE console 日志，EPC、ENB、UE 端的运行日志（包含 debug, info, warning 等级）

5G名号：NR，gNB，en-gNB，ng-eNB，EN-DC，NE-DC，NGEN-DC，NG-RAN...pdf

openairinterface环境搭建

OAI建立band3的conf文件。由于国内大部分手机不支持band7，因此需要其他频段：enb.band3.tm1.usrpb210.fdd.5MHz.conf