首次!GPT-2赋能无线通信物理层,北大团队提出基于预训练LLM的信道预测方案

【论文阅读】LLM4CP: Adapting Large Language Models for Channel Prediction(2024) massive multi-input multi-output (m-MIMO),大规模多输入多输出。large language models (LLMs),大语言模型LLMs。该论文把大语言模型LLM用到物理层通信无线信道CSI预测上。channel prediction,信道预测。time-series,时间序列。fine-tuning,微调。 阅读详情

在无线通信中,信号经由无线信道传递通常会受到能量衰减、噪声干扰等影响,导致用户侧接收到的信号与基站发出的信号存在一定程度的变化,就如同人们出行时受到实况道路影响,到达目的地的时间会与预期存在一定程度的差异。要想预期与实际情况相符,出行时就必须了解精确的道路状态信息,而在无线通信中,为保证信号传输的准确性和有效性,就需要了解精确的信道状态信息 (channel state information, CSI),并根据接收侧信号复原始发信号。

信道预测是实现 CSI 高效获取的一项核心技术, 其根据历史时刻 CSI 序列预测未来 CSI,可以极大减少信道估计与反馈开销。尤其是面向 5G /6G MIMO 无线通信系统,信道预测展现出前所未有的重要性。然而,现有的基于参数化模型和深度学习的信道预测方法尚存预测精度低和泛化性差等问题,难以应用到实际复杂信道环境。

近年来,随着大语言模型 (LLM) 在自然语言处理等领域取得的巨大成功,越来越多的研究团队将目光聚焦于此。但当前大语言模型在通信任务上的应用仍局限于语言形式的协议理解等任务,对于其能否赋能非语言形式的无线通信物理层任务尚存质疑。

首先, 信道状态信息是具有复杂的「空-时-频」三维关系的高维结构化数据,这增加了处理的复杂度;其次, 信道域和自然语言域的知识存在域差异 (domain gap),进一步增大了知识迁移的难度。

为克服以上挑战,北京大学电子学院程翔团队提出了一种基于预训练大语言模型的 MIMO-OFDM 信道预测方案 LLM4CP, 可应用于 TDD(时分双工)和 FDD(频分双工)通信系统。

相关成果以 「LLM4CP: Adapting Large Language Models for Channel Prediction」为题,发表于期刊 「Journal of Communications and Information Networks」上。

具体来说,研究团队构建了一个基于预训练 GPT-2 的信道预测神经网络,包含预处理模块、嵌入模块、预训练 LLM 模块和输出模块,从而提高了大语言模型在信道预测中的预测能力和泛化能力,为部署在实际应用场景中创造了更多的可能性。

研究亮点:

  • 首次将预训练大语言模型应用于信道预测任务,证明了预训练大语言模型可以突破自然语言形式,赋能无线通信物理层设计 * 设计的信道特征增强神经网络,对齐信道空间与大模型特征空间,实现预训练大模型通用知识在信道预测任务上的良好迁移

  • 仿真结果显示,所提方案在 TDD 和 FDD 信道预测任务上取得了最先进的全样本和少样本预测性能,频点泛化性能大幅领先于现有方案,同时具有和深度学习小模型相当的训练和推理时间成本

在这里插入图片描述

论文地址:
https://ieeexplore.ieee.org/document/10582829
数据集下载:

https://go.hyper.ai/G0plJ

开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读,并提供海量数据集与工具:

https://github.com/hyperai/awesome-ai4s

数据集:完全符合 3GPP 标准

在研究的实验阶段,团队使用 QuaDRiGa 仿真器生成了符合 3GPP 标准的时变信道数据集用于性能验证。

团队设置了一个 MISO-OFDM 系统,其中基站侧配备了双极化 UPA (uniform planar array),用户侧配备了单个全向天线,天线间距为中心频率处波长的一半。上行和下行信道的带宽均为 8.64 MHz,导频频率间隔为 180 kHz。对于 TDD 和 FDD 模式,上下行通道的中心频率均设置为 2.4 GHz。对于 FDD 模式,上行和下行通道相邻。研究团队在预测实验中将导频频率间隔时间设置为 0.5 ms。

  • TDD:是一种通信系统的双工方式,在移动通信系统中用于分离接收和传送信道。
  • FDD:指上行链路(移动台到基站)和下行链路(基站到移动台)采用两个分开的频率(有一定频率间隔要求)工作。

研究考虑了 3GPP 城市宏观信道模型和非视距场景。集群数量为 21 个,每个集群的路径数为 20 条。用户的初始位置是随机化的,运动轨迹设置为线性型。

训练数据集和验证数据集分别包含 8,000 个和 1,000 个样本, 用户速度均匀分布在 10~100 km/h 之间。测试数据集包含 10 个速度,范围从 10 km/h 到 100 km/h 不等,每个速度有 1,000 个样本。

模型架构:基于大语言模型的信道预测

现有下行链路 CSI 捕获方法存在两大缺点:首先,CSI 估计和反馈过程会产生额外的计算和传输时间成本,导致高动态场景中的「信道老化」;其次,额外的下行链路导频占用了部分时频资源,尤其会降低 FDD 系统的频谱效率。

本文提出的 LLM4CP 是一种基于 LLM 的 MISO-OFDM 信道预测方法,基于历史上行链路 CSI 序列预测未来的下行链路 CSI 序列,可以有效避免了下行链路导频的开销和反馈延迟, 为上述两个缺点的解决提供了一种更务实的思路。

为了使基于文本的预训练 LLM 适应 CSI 数据的复杂矩阵格式,研究团队针对 LLM4CP 设计了特定的模块进行格式转换和特征提取,包括预处理模块 (Preprocessor)、嵌入模块 (Embedding)、预训练 LLM 模块 (Pre-trained LLM) 和输出模块 (Output),如下图所示:

在这里插入图片描述

LLM4CP 网络架构示意图

预处理模块主要解决了 CSI 复杂的「空-时-频」三维关系的高维结构化数据。 为解决空域高维问题,团队将天线维并行化处理,即分别预测每对发射天线和接收天线的 CSI,从而在降低网络开销的同时提升任务的可扩展性;为全面捕获频域特征,团队充分考虑了信道结构化特征,引入时延域 (Delay domain) 以直接刻画多径时延特征;为有效提取时域特征,团队采用分块处理,捕获局部时域变化特征,并降低计算复杂度。

嵌入模块的设计主要用于 LLM 之前的初步特征提取, 包括 CSI attention 和位置嵌入 (Positional Embeddings)。由于文本信息和 CSI 信息之间显著的差异,预训练的 LLM 不能直接处理非语言数据,因而研究团队尝试利用 LLM 的通用建模能力来完成信道预测任务。设计嵌入模块将预处理后的特征进一步处理,以对齐预训练 LLM 的特征空间,克服了域差异。

在本研究中,团队选择了 GPT-2 作为 LLM 主干网络。 GPT-2 的主干由可学习的位置嵌入层和堆叠的变压器解码器组成,堆叠的数量和特征尺寸可以根据需要灵活调整。在训练过程中,预训练 LLM 的多头注意力层 (Multi-head attention) 和前馈层 (Feed forward) 保持冻结(如上图蓝色框所示),以保留预训练 LLM 中的通用知识,同时对加法、层归一化 (Addition & layer normalization) 和位置嵌入进行微调,使 LLM 适应信道预测任务。

值得注意的是,团队指出本文提出的方法中,GPT-2 骨干网也可以灵活地替换为其他大语言模型。

最后,输出模块旨在将 LLM 的输出特征转换为最终预测结果。

研究结果:LLM4CP 的预测精度、可达速率和误码率优于现有方案

为了验证所提方法的优越性,研究团队将 LLM4CP 与包括 PAD、RNN、LSTM、 GRU、CNN、Transformer 以及无预测在内的,几种基于模型或深度学习以及无干扰情况的信道预测方法进行了比较,设置 3 个性能指标,分别是 NMSE (归一化均方根误差)、SE (频谱效率)和 BER (误码率)。结果显示,LLM4CP 的信道预测精度、可达速率和误码率均优于现有信道预测方案。

研究团队分别在 TDD 系统和 FDD 系统中,比较了 LLM4CP 与其他方法的 3 个性能指标。

在 TDD 系统下, LLM4CP 的 SE 和 BER 性能指数分别为 7.036 bit·(s·Hz)⁻¹ 和 0.0039;在 FDD 系统下, 分别为 6.303 bit·(s·Hz)⁻¹ 和 0.0347,如下图:

在这里插入图片描述

TDD 系统 LLM4CP 和其他方法的 SE 和 BER 性能

在这里插入图片描述

FDD 系统 LLM4CP 和其他方法的 SE 和 BER 性能

TDD 和 FDD 系统下,LLM4CP 都实现了最先进的 SE 和 BER 性能。

在抗噪声鲁棒性测试中,LLM4CP 表现出最低的 NMSE 的信噪比最高,表明其对 CSI 噪声具有很高的鲁棒性。如下图所示:

在这里插入图片描述

TDD 系统历史 CSI 的 NMSE 性能与信噪比

在这里插入图片描述

FDD 系统历史 CSI 的 NMSE 性能与信噪比

少量样本训练对模型的快速部署起到至关重要的作用。团队针对所提方法少量样本学习能力进行了测试,只将 10% 的数据集用于网络训练。与全样本训练相比,LLM4CP 相比其他方法的优势在少数样本预测场景中表现出明显优势。

在频点泛化性测试中,团队将 TDD 系统中在 2.4 GHz 频点上训练的模型,应用于具有较少训练和零样本的 4.9 GHz 频点上进行测试,结果显示,LLM4CP 仅需少量的 30 个样本就能达到参数化模型的预测性能, 证明了其优秀的泛化能力。如下图所示:

在这里插入图片描述

TDD 系统的跨频泛化性能与样本数量的关系

高性能、低成本的可行方案

成本投入是模型在实际场景中落地的关键一环,研究评估了所提方法在实际场景中部署的难度,相关比较如下图所示:

在这里插入图片描述

训练参数及成本

由于 PAD 是一种基于模型的方法,故其模型参数数量相对较少,不需要训练过程,但由于处理复杂度高,它的推理时间最长。而 LLM 的推理时间相比 Transformer 大幅缩减,因此 LLM4CP 也具有服务于实时信道预测的潜力。

此外,团队还评估了选择不同数量的 GPT-2 层对信道预测性能、参数成本以及推理时间的影响。如下图所示:

在这里插入图片描述

不同 GPT-2 层数 LLM4CP 的 NMSE 性能、网络参数和干扰时间

在使用 10% 的训练数据集于 TDD 系统设置进行测试发现,网络参数和推理时间都随着 GPT-2 层数的增加而增加,在具有 6 个 GPT-2 层的模型测试范围内表现最佳。这意味着,更多层并不一定有利于预测,在实际部署中, LLM 骨干网的类型和大小选择需要考虑预测精度的要求,以及设备存储和计算资源的约束。

AI 让无限通信充满想象

随着无线通信飞速发展,尤其是当下的 5G 时代以及未来的 6G 时代,AI 与通信结合的重要性已经是不言而喻了。而在相关技术领域,AI 技术的应用也早已经得到了业界广泛的关注和研究。

例如,此前由南京邮电大学杨丽花团队发表的题为「A novel deep learning based time-varying channel prediction method」的研究,提出了一种适用于高速移动场景的基于深度学习的时变信道预测方法, 该方法基于反向传播 (back propagation, BP) 神经网络,进行线下训练与线上预测。论文指出,通过此方法可以显著地提高时变信道预测精度,且具有较低的计算复杂度。
论文地址:

https://www.infocomm-journal.com/dxkx/CN/10.11959/j.issn.1000-0801.2021011

在这里插入图片描述

而不同以往的是,本次研究首次将大语言模型应用在无线通信物理层设计当中,无疑是为 AI 与通信技术结合又开启了一条先河。

如论文所提到,在过去经验中,还未曾有过将预训练的大语言模型应用于非自然语言的任务当中,这是史无前例的一次成功尝试,证明了预训练大语言模型也可以突破语言形式赋能无线通信。

更值得一提的是,通过这次实验和尝试,大语言模型必将开启赋能的新篇章,同时借助大语言模型所特有的推理能力,也能使我们更加坚信一点,其势必会加快 AI 和 垂直行业相关技术的融合,从而走出 AI 与千行百业结合的捷径。

论文“LLM4CP: Adapting Large Language Models for Channel Prediction”原文+代码解读,该论文利用LLM赋能无线通信物理层任务 阅读详情

相关推荐

QuaDRiGa信道仿真避坑指南:如何正确设置`PerClusterDS`和`no_segments`避免结果失真

本文深入解析QuaDRiGa信道仿真工具中`PerClusterDS`和`no_segments`参数的配置技巧,帮助用户避免结果失真。通过对比漂移模型和空间一致性模型,揭示参数对信道特性的影响,并提供MATLAB代码示例和优化策略,确保仿真结果的准确性和可靠性。

weixin_33670786的博客 352

QuaDriga模型的3GPP TR38.901 UMa NLOS 信道仿真教程

QuaDriga信道模型信道容量仿真

HAZARDA的博客 4040

QuaDRiGa信道建模实战:从3GPP标准到MATLAB可视化分析

本文详细介绍了QuaDRiGa信道建模工具在MATLAB中的实战应用,从3GPP标准实现到可视化分析。通过城市微蜂窝场景建模示例,展示了空间一致性配置、大尺度参数调整和小尺度参数生成的关键技术,并提供了路径功率、时延特性和角度谱的可视化分析方法。文章还分享了工程实践中的调试技巧和常见问题解决方案,帮助读者快速掌握5G信道建模的核心技能。

weixin_28221501的博客 243

【论文速读】《LLM4CP: Adapting Large Language Models for Channel Prediction》

前言:之前就想,大语言模型是否可以通过微调用于通信系统的无线空口应用,这篇文章给出了答案。通过讲信道状态信息进行嵌入和注意力操作,变成大语言模型可以适配的数据,然后LLM只需要微调就可以活得较好的信道预测性能。

bylander的博客 3561

用QuaDRiGa和MATLAB跑通3GPP 38.901 UMi信道模型:从参数配置到可视化分析全流程

本文详细介绍了如何利用QuaDRiGa和MATLAB实现3GPP 38.901 UMi信道模型的完整流程,包括参数配置、仿真执行与可视化分析。通过实战指南,帮助研究人员快速掌握城市微蜂窝环境下的信道建模技术,提升5G通信系统设计与性能评估的准确性。

weixin_26757939的博客 351

2.4 GHZ室内信道测量数据集

S21的测量包括10次扫描,每次扫描包含601个频率点,间隔为0.167MHz,覆盖以2.4GHz为中心的100MHz频带。

不务正业的猿 2999

首次!GPT-2赋能无线通信物理层,北大团队提出基于预训练LLM的信道预测方案...

在无线通信中,信号经由无线信道传递通常会受到能量衰减、噪声干扰等影响,导致用户侧接收到的信号与基站发出的信号存在一定程度的变化,就如同人们出行时受到实况道路影响,到达目的地的时间会与预期存在一定程度的差异。要想预期与实际情况相符,出行时就必须了解精确的道路状态信息,而在无线通信中,为保证信号传输的准确性和有效性,就需要了解...

weixin_40505528的博客 355

FB_Quadriga:用于进行Quadriga模拟的代码存储库

FB_Quadriga 这是用于Quadriga仿真的代码存储库。 要运行提供的代码,请确保您具有Quadriga设置,并且MATLAB能够找到Quadriga代码。 您可以下载Quadriga。 您需要在此存储库中用power_map.m替换quadriga_src/@qd_layout/power_map.m。 这只是返回构建器对象,但对于统计一致性至关重要。 此外,以下python要求是必需的: Python> = 3.5 大熊猫 脾气暴躁的 Matplotlib utm 使用 安装依赖项后,打开initialize_sim.m文件并选择下倾角和发射功率的参数。 然后保存它并在Matlab中打开power_map_and_path.m并运行它以生成仿真数据。 运行模拟的平均时间通常为1-24小时左右,具体取决于您的分辨率,因此请进行相应的计划。 参见表中的一些估计时间。

QuaDRiGa:生成真实无线电信道冲激响应的强大工具

QuaDRiGa:生成真实无线电信道冲激响应的强大工具 项目介绍 QuaDRiGa(QUAsi Deterministic Radio channel GenerAtor)是一个开源项目,旨在为移动无线电网络系统级仿真生成真实的无线电信道冲激响应。通过这些仿真,可以评估新型数字无线电技术在各种网络配置下的性能,为标准化组织如3GPP提供客观指标。 该项目由Fraunhofer HHI开发,能够模拟...

gitblog_00644的博客 1562

QuaDriGa_2016.09.05_v1.4.8-571.rar

QuaDriGa 信道模型文档及代码 QuaDriGa_2016.09.05_v1.4.8-571

智能车辆通信中的障碍物到车辆通道建模

在本文中,我们通过测量验证的光线追踪(RT)仿真对5 GHz频段的受阻车辆到车辆(V2V)通道进行建模。 首先,我们通过集成三个关键通道功能来建立一个逼真的V2V RT仿真器:小规模结构(例如路灯柱,交通标志),由其近似的雷达横截面处理; 大型结构(例如建筑物和地面),校准其电磁和散射参数; 并通过V2V频道测量来阻止车辆的影响。 然后,基于广泛的RT模拟,对目标通道进行全面表征。 所有参数均输入到类似3GPP的准确定性无线电信道生成器(QuaDRiGa)中并由其验证。 通过将受阻的V2V场景添加到标准通道模型系列中,本文为评估在挑战性条件下的智能车辆通信提供了基础。

IEEE 802.11a OFDM系统的仿真(续)

(因为信道和信号的所有元素要求一一对应,通过信道前面加0实现了信道的延时,为了实现一一对应也需要在信号前面加相同数量的0)接下来对第二个信道进行延时处理,延时就是在信道前面加0,加0会导致信道的长度变长,将超过指定长度的多余部分直接删掉。即为信号*2径中的第一个信道+信号*2径中的第二个信道+噪声(这里噪声加的是两个信道的总体噪声)又因为信道的能量是信道振幅的平方,设两径信道第一个信道振幅为a,第二个振幅为b。两径信道中第二个信道的能量比第一个信道的能量低3dB(也就是能量减半)(1)生成2径衰落信道。

qq_55999494的博客 922

三菱A800变频器矢量控制实战:从速度控制到位置控制的PLG参数设置全解析

本文深入解析了三菱A800变频器结合FR-A8AP选件板与PLG(脉冲编码器)实现高精度矢量控制的实战应用。详细阐述了从速度控制、转矩控制到位置控制三种高级模式的切换逻辑、核心参数设置及硬件接线要点,帮助工程师充分发挥A800变频器的闭环控制潜力,应对复杂工业自动化场景。

weixin_28308325的博客 327

生成数据集:从零开始,定制属于你的数据

生成数据集是通过某些算法或程序创建的数据集。这些数据集可以具有特定的结构、分布和特征,从而帮助我们模拟现实世界中的各种场景或实验环境。生成数据集通常用于以下几种情况:数据不足:当我们缺乏足够的真实数据来训练模型或进行实验时,可以通过生成数据集来弥补数据不足的问题。数据隐私问题:在某些领域(如医疗、金融等),由于隐私和法律合规性要求,真实数据不可公开使用。这时,通过生成数据集,我们可以模拟数据的分布,进行模型训练和验证。算法验证:生成数据集可以用来验证机器学习算法的效果,尤其是在算法的初步验证阶段。

2401_88870554的博客 3231

WGS-84 ECEF ENU 坐标系学习记录

地球坐标系固定在地球上而随地球一起在空间做公转和自转运动,因此地球上任一固定点在地球坐标系的坐标就不会由于地球旋转而变化。地心地固直角坐标系和大地坐标系都属于这种坐标系。 一、 几种坐标系 地心地固直角坐标系(ECEF)坐标系 其原点为地球的质心,x轴延伸通过本初子午线(0度经度)和赤道(0deglatitude)的交点。 z轴延伸通过的北极(即,与地球旋转轴重合)。 y轴完成右手坐标系,穿...

YYshuangshuang的博客 1万+

江科大笔记—OLED调试工具

OLED介绍及调试工具

m0_62005595的博客 666

基于深度学习的MIMO信道智能预测模型研究【附数据】

(1)多通道并行的MIMO信道预测方法研究 在深度学习框架下,针对MIMO系统中的上行到下行信道预测问题,分析了深度学习相较于传统方法的优势,并探讨了基于深度学习的MIMO系统中上行到下行信道预测中存在的问题。基于信道数据在时频空域的全局相关性,提出了一种基于CNN的时频空域联合信道外推方法。(3)大规模MIMO上下行预测与信道外推联合预测方法研究 针对同时具有上行到下行信道预测和时频空域信道外推需求的应用场景,对上下行信道预测和信道外推联合预测方法的优势进行讨论,并提出了不同的联合预测方法。

坷拉博士 1393

固定时间收敛的控制器设计(基础知识)

针对控制系统的有限时间收敛和固定时间收敛给出一些常用定理。

qq_40241332的博客 1万+

认识信道(零):天线的极化

在中心红色Tx处,有一个半波偶极子极化天线,在蓝色车上有一个半波偶极子极化天线,他绕着Tx旋转,来表示两者之间的角度变化。本人本科没有学过电磁波课程,这里用的都是最浅显的道理来解释电磁波的极化,试图让理论自洽,如有错误,烦请指正。当我们把他扩展到球坐标系下,对于电磁波的传播方向r,天然的存在一组垂直于传播方向的正交基,也就是。首先我们这里描述的极化,是天线在远场的极化,它是一种平面波的极化,我们知道,平面波的传播方向为。,因为电场方向和偶极子天线的方向是平行的,他们之间的夹角就是极化失配的损耗。

weixin_44863193的博客 4555

深信服PT1-AF实验考试

深信服PT1-AF实验考试实验练习可以去深信服的在线实验平台(链接如下):深信服在线实验平台 (sangfor.com.cn)实验考试其实就是把所有的每一部分实验综合了起来以下内容仅做参考,不确保一样。

m0_72019240的博客 7127

Win10系统下海思SS928开发板烧写工具ToolPlatform-1.0.11安装避坑指南

本文详细介绍了在Windows 10系统下安装和配置海思SS928开发板烧写工具ToolPlatform-1.0.11的完整流程与避坑指南。核心解决了JVM内存配置导致的界面卡顿、闪退问题,并提供了驱动安装、硬件连接、镜像烧写的实战步骤,帮助嵌入式开发新手快速搭建稳定的烧写环境。

kite3的博客 455

3GPP链路级仿真-Link-Level Simulator for 5G Localization

然而,在实际应用中,由于部署覆盖范围和资源分配的限制,双基站融合是常用的方法,因此只能获得一个近似的解。到目前为止,在文献[25],[26],[27]中存在大量的综合信道建模方法,如基于几何的随机模型、基于map的模型、基于光线跟踪的模型等。为了获得这些大尺度参数的相关值,首先在一个2-D位置网格上生成每个参数的随机高斯分布变量,该网格覆盖了网络中所有收发器的位置。此外,一些综合的信道模拟器,如NYUSIM[16]和Quadriga[18],也可用于我们的链路级模拟器,并可配置额外的接口。

WHS-_-2022的博客 3205

Rust 与 C/C++:Rust 比 C/C++ 更好还是只是“技能问题”?

对于许多嵌入式系统开发人员而言,的崛起似乎掀起了一股不小的浪潮,特别是在相较于传统的语言,Rust的“内存安全”优势让人眼前一亮。然而,是否可以将Rust作为C/C++的替代品?或者说,Rust是否真的比C/C++更好,抑或它只是一个“技能问题”呢?在嵌入式开发的领域,我观察到,尽管Rust在一些高性能、内存安全敏感的场景中受到了广泛推崇,但它在实际应用中的普及度,特别是在嵌入式领域,依然有限。今天,我会从多个角度探讨这个问题,并且分享一些对于Rust、C/C++以及嵌入式系统开发的个人见解。

qq_63315166的博客 1301

【论文阅读】LLM4GCL: CAN LARGE LANGUAGE MODEL EM-POWER GRAPH CONTRASTIVE LEARNING?

本文提出了LLM4GCL,第一个全面系统地研究LLM在GCL的应用。旨在深入解决以下关键研究问题:如何利用LLM在特征和结构层面上增强图增强?如何以无监督的方式微调预训练的PLM,以增强其编码文本节点属性和结构关系的能力?

飞跃大海的猪 1715

CloudCompare 多窗口联动显示点云

CloudCompare支持多窗口联动显示多个点云数据,可以用来比对原始点云数据与语义分割后的结果。 一、创建多个视窗 打开CloudCompare后会默认有一个视图,我们要同时打开两个数据就需要再创建一个视图,选择菜单栏里的3D Views,在下拉菜单中点击new,这样就创建了一个新的视图,这时3D Views的下拉菜单中有3D View 1和3D View 2两个视图,然后点击3D Views下拉菜单中的Title,这时在数据展示区就会出现两个并列的窗口。 二、分别加载点云数据 将数据分别拖进两个

zhaoguanhua的博客 2740

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

GPT-Live 全双工语音 API Java 服务端落地实战:事件协议、会话恢复与生产踩坑

GPT-Live 把语音 Agent 的接入门槛从"搭三条流水线"降到了"写一个 WebSocket 状态机",但对 Java 后端的真实要求反而更高了:你要管长连接生命周期、事件顺序、退避重试、计费监控和会话恢复——这些恰恰是 Java 工程师在消息队列和 RPC 框架里练了二十年的基本功。配置在启动时锁死、流没有完成信号、轮次边界自己负责;业务状态与会话状态分离、并发按连接数规划。下一个十年,"数字员工"打的每一通电话,背后都得有一个扛得住生产环境的 Java 网关——这个活儿,就该我们干。

qq_36021478的博客 162

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

上一篇: 全球首部《人工智能法案》正式生效!上海新政鼓励AI赋能生物医药;全球首个亿级参数量地震波大模型上线...
下一篇: 【TVM 教程】在 CPU 上部署 Hugging Face 剪枝模型
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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