NB学习

本文详细介绍了NB-IoT网络的端到端架构,包括UE与eNB/EPC之间的通信、UE与IoT云平台及第三方应用服务器的交互方式。同时,深入解析了NBIOT模块的三种工作模式:Connected、Idle和PSM,及其状态转换过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、NBIOT网络架构 
 
这里使用华为开发者社区提供的信息来看NB-IoT端到端架构全貌。 
1)UE(终端)与eNB/EPC(基站)之间:基于NB-IoT技术进行通信,分为AS和NAS,这部分基本完全由芯片实现。 
2)UE与IoT云平台之间:一般使用CoAP/MQTT等物联网专用的应用层协议进行通信,主要是考虑了NB-IoT UE的硬件资源配置一般很低,不适合使用HTTP/HTTPs等复杂的协议。 
3)IoT云平台与第三方应用服务器之间:由于两者的性能都很强大,且要考虑带宽、安全等诸多方面,因此一般会HTTPs/HTTP等应用层协议进行通信。 
二、NBIOT模块工作模式 
NBIOT模块默认有三种工作状态如下: 
1. Connected(连接态) 
模块注册入网后处于该状态,可以发送和接收数据,无数据交互超过一段时间后会进入Idle模式,时间可配置。 
2. Idle(空闲态) 
可收发数据,且接收下行数据会进入Connected状态,无数据交互超过一段时会进入PSM模式,时间可配置。空闲状态可配置执行DRX或eDRX模式。

 
DRX:discontinuous reception,不连续接收模式。对下行业务时延要求高,如路灯。 
 
eDRX:Extended idle mode DRX,扩展不连续接收模式。对下行业务时延有较高要求,可根据设备是否处于休眠状态缓存消息或者立即下发消息,如智能穿戴设备。 
3. PSM(节能模式) 
此模式下终端关闭收发信号机,不监听无线侧的寻呼,因此虽然依旧注册在网络,但信令不可达,无法收到下行数据,功率很小。 
持续时间由核心网配置(T3412),有上行数据需要传输或TAU周期结束时会进入Connected态。 
NB-IoT三种工作状态一般情况的转换过程可以总结如下: 
1) 终端发送数据完毕处于Connected态,启动“不活动计时器”,默认20秒,可配置范围为1s~3600s; 
2) “不活动计时器”超时,终端进入Idle态,启动活动定时器(Active-Timer【T3324】),超时时间配置范围为2秒~186分钟; 
3) Active-Timer超时,终端进入PSM状态,在此状态中,终端不进行寻呼,不接受下行数据,处于休眠状态,当终端处于PSM态时,也可以通过主动发送上行数据令终端回到激活态; 
4)TAU Timer从终端进入空闲态时便开始计时,TAU周期结束时进入Connected态,TAU周期【T3412】配置范围为54分钟~310小时。 
--------------------- 
作者:想去岸上看看的鱼 
来源:优快云 
原文:https://blog.youkuaiyun.com/bulusz/article/details/81700480 
版权声明:本文为博主原创文章,转载请附上博文链接!

### Naive Bayes 机器学习算法概述 Naive Bayes 是一种基于贝叶斯定理的经典分类算法,它通过计算后验概率来进行预测。该算法的核心思想在于假设所有特征之间相互独立,即所谓的“属性条件独立性假设”。这一假设虽然在实际场景中可能并不完全成立,但在许多情况下仍然能取得良好的分类效果[^1]。 #### 贝叶斯定理及其核心思想 贝叶斯定理描述了如何根据先验概率和新证据来更新事件的概率。具体而言,对于给定的数据集 \(D\) 和类标签 \(C_k\),可以通过以下公式计算后验概率: \[ P(C_k|D) = \frac{P(D|C_k) P(C_k)}{P(D)} \] 其中: - \(P(C_k)\): 类别的先验概率; - \(P(D|C_k)\): 给定类别下数据的似然概率; - \(P(D)\): 数据的整体概率(通常作为归一化常数)。 朴素贝叶斯进一步简化了上述公式的复杂度,假定各特征间彼此独立,则联合概率可以分解为各个特征的乘积形式[^2]。 #### 算法实现的关键步骤 以下是朴素贝叶斯算法的主要实现过程: 1. **训练阶段**: 计算每种类别下的先验概率以及每个特征对应的条件概率。 - 对于离散型特征,统计频率即可得到条件概率。 - 对于连续型特征,通常采用高斯分布或其他合适的概率密度函数建模[^3]。 2. **测试阶段**: 针对新的样本输入,依次计算属于不同类别的后验概率,并选取最大值所对应的结果作为最终分类输出。 ```python from sklearn.naive_bayes import GaussianNB import numpy as np # 创建模型实例 model = GaussianNB() # 假设我们有一个简单的二维数据集用于演示 X_train = np.array([[0, 0], [1, 1]]) y_train = np.array([0, 1]) # 模型拟合 model.fit(X_train, y_train) # 测试一个新的样例 X_test = np.array([[2., 2.]]) prediction = model.predict(X_test) print(f"Predicted class: {prediction}") ``` #### 应用领域 由于其高效性和较强的鲁棒性,朴素贝叶斯广泛应用于多个领域,包括但不限于以下几个方面: - 文本分类:如新闻主题识别、情感分析等任务中表现优异。 - 垃圾邮件过滤:通过对电子邮件内容中的关键词提取并构建词袋模型完成自动标记工作。 - 生物信息学研究:基因表达数据分析等领域也有成功案例报道。
评论 1
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