WLAN基础知识(1)

2023-04-04 网工进阶(四十一)大型WLAN组网---概述、VLAN Pool、DHCP技术、漫游技术、高可靠性技术、准入控制技术、配置举例(漫游失败,未完待续) 在WLAN组网中,为保证组网可靠性,常见的备份技术有:VRRP双机热备份(主备)双链路冷备份双链路热备份(主备&负载分担)N+1备份为了保证WLAN业务的稳定运行,热备份()机制可以保证在主设备故障时业务能够不中断的顺利切换到备份设备。对比项VRRP双机热备双链路双机热备N+1备份切换速度主备切换速度快,对业务影响小。通过配置VRRP抢占时间,相比于其他备份方式实现更快的切换AP状态切换慢,需等待检测到CAPWAP断链超时后才会切换,主备切换后终端不需要重新上线。 阅读详情

WLAN:

无线局域网,无线技术:Wi-Fi、红外、蓝牙等

WLAN设备:

胖AP:

        适用于家庭等小型网络,可独立配置,如:家用Wi-Fi路由器

瘦AP:

        适用于大中型企业,需要配合AC使用,由AC统一管理和配置

        采用fit AP+POE交换机+AC的组网方式

POE交换机:

        可通过网线给瘦AP供电,其他与普通交换机基本无差别

AC:

        无线接入控制器,管理AP用的

CAPWAP:

        基于UDP进行传输的应用层协议,通过AC与AP之间的管理地址自动建立,3层的IP隧道,因此需保证两端地址的可达性

功能:

  1. AP与AC间的状态维护
  2. AC通过CAPWAP隧道对AP进行管理、业务配置下发
  3. 当采用隧道转发模式时,AP将STA发出的数据通过CAPWAP隧道实现与AC之间的交互

消息类型:

  1. 通过CAPWAP数据隧道进行业务数据流量封装转发无线数据帧 ,端口为UDP端口5247
  2. 通过CAPWAP控制隧道管理流量,管理AP和AC之间交换的管理消息 ,端口为UDP端口5246

组网方式:

 二层组网:

        建立CAPWAP隧道连接的两个IP地址在同一个网段,即:AC和AP在同一个广播域。二层组网AP可通过广播自己发现AC

三层组网:

        建立CAPWAP隧道连接的两个IP地址不在同一网段,即:AC和AP不再同一个广播域。三层组网需向AP指定AC的位置

 传输方式:

        WLAN技术通过无线电磁波技术在空中传输信息是,使用的频段是2.4GHz和5GHz

        2.4GHz不重叠信道:1、6、11或者2、7、12,中国仅使用13个信道

         5GHz信道根据绑定带宽的信道不同进行划分,注意避开雷达区域

相关术语:

       1. STA站点::每一个连接到无线网络中的终端(如笔记本电脑、PDA及其它可以联网的用户设备)都可称为一个站点

        2. BBS:一个AP所能覆盖的信号范围,在一个BSS的服务范围内,STA可互相通信,理解:WIFI信号的覆盖范围

        3. BSSID:是无线网络的一个身份标识,具有唯一性。用于AP的MAC地址表示,区分不通无线局域网,类似IP地址、身份证

        4.SSID:是无线网络的一个身份标识,用字符串表示,便于用户辨识不同的无线网络,即:WIFI名,类似域名、姓名。

        5.VAP:虚拟接入点:一个物理AP上虚拟出的多个AP,每一个VAP对应一个单独的BSS,可设置不同的SSID。

        6.ESS:使用相同的SSID的BSS组成,可理解为不同的AP发射出相同的WIFI信号组成的网络,如:校园网

        7.VLAN漫游:指STA在同属一个ESS的不同AP的覆盖范围之间移动且保持用户业务不中断的行为,可理解为:手机连着Student的WIFI,从宿舍到教学楼,一直刷着视频,期间发射信号的物理设备变了,但是感觉不到断网甚至卡顿   

 VLAN Pool:

 问题:

        在一个区域内存在大量用户,连到同一个SSID时需分配大量IP地址给用户,所有用户都在一个广播域内,大量的广播报文会造成网络拥塞

技术:

        VLAN Pool是一种把多个VLAN放到一个池中并提供分配算法的VLAN分配技术

 解决:

        通过VLAN Pool把接入的用户分配到不同的VLAN,减少有线侧广播域,减少网络中的广播报文,提升网络性能

分配算法:

  1. 顺序分配算法:把用户按上线顺序依次划分到不同的VLAN中,用户上下线VLAN容易变化,IP地址变更
  2. HASH分配算法:根据用户MAC地址HASH值分配VLAN,用户分配的VLAN固定,可能导致VLAN间用户划分不均匀,有的VLAN用户较多,有的较少

分配流程:

漫游技术:

 定义:

        WLAN漫游是指STA在不同AP覆盖范围之间移动且保持用户业务不中断的行为

 实现:

        设备侧:WLAN漫游的两个AP必须使用相同的SSID和安全模板(安全模板名称可以不同,但是安全模板下的配置必须相同),认证模板的认证方式和认证参数也要配置相同

        用户侧:用户在移动过程中, 如果逐渐远离接入AP,则链路的信号质量也会逐步下降。当用户的终端感知到信号质量降低一定程度(漫游门限)时,终端会主动漫游到附近AP来提高信号质量。

 作用:

  1. 避免漫游过程中的认证时间过长导致丢包甚至业务中断
  2. 保证用户授权信息不变
  3. 保证用户IP地址不变

相关术语:

AC内漫游:如果漫游过程中关联的是同一个AC,这次漫游就是AC内漫游。

AC间漫游:如果漫游过程中关联的不是同一个AC,这次漫游就是AC间漫游。

AC间隧道:

        为了支持AC间漫游,漫游组内的所有AC需要同步每个AC管理的STA和AP设备的信息,因此在AC间建立一条隧道作为数据同步和报文转发的通道。AC间隧道也是利用CAPWAP协议创建的。如图所示,AC1和AC2间建立AC间隧道进行数据同步和报文转发。

家乡代理:

        能够和STA家乡网络的网关二层互通的一台设备。为了支持STA漫游后仍能正常访问家乡网络,需要将STA的业务报文通过隧道转发到家乡代理,再由家乡代理中转。STA的家乡代理由HAC或HAP兼任,如图所示,用户可以选取AC1或AP1作为STA的家乡代理

 二层漫游和三层漫游区别:

直接转发模式:

隧道转发模式:

WLAN开局配置icon-default.png?t=N7T8https://blog.youkuaiyun.com/uzumcc/article/details/141233162?spm=1001.2014.3001.5501 

ensp HCIP华为无线IP地址池使用vlan pool 实验说明:实验背景一个WIFI信号有时候IP地址池不够用实验目的使用vlan pool 使一个信号使用多个地址池。 阅读详情

相关推荐

在华为ENSP中构建基础WLAN

WLAN 通常由多个无线接入点(AP)组成,这些接入点通过无线信号连接到设备(如笔记本电脑、智能手机、平板电脑等),并将这些设备连接到有线网络或互联网上。而我在学习完构建基础WLAN后,我明白了构建 WLAN 网络需要考虑到多方面的因素,包括网络规划、设备选择、网络配置、网络优化和网络安全等。设置完安全模板后想查看配置后密码是什么样,可以输入display this查看配置中的密码,可看出,配置中没有显示实际密码:Huawei@123,而是一串乱码。(去ap上查看mac地址:dis stp )

2301_77302602的博客 6836

WLAN基本概念与配置、VLAN Pool配置

WLAN基本概念与配置、VLAN Pool配置

weixin_72194028的博客 9023

eNSP配置(直连/静态/动态路由,DHCP,单臂路由,ACL,NAT,链路聚合,负载均衡,WLAN,备份路由)

display interface brief 显示现在交换机接口的状态 up--正常状态 down--非正常。eg.给lsw1(176.16.2.2)与lsw2(176.16.2.3)设置VRRP(176.16.2.1)ip route-static 目的网段 子网掩码 下一跳ip地址。[同组VRRP:组号vrid,virtual-ip都必须相同]undo +要删除的配置(若是一段,从下往上依次undo)设置交换机与交换机之间的接口类型。(当配给接口不同vlan)(当配给接口相同vlan)

qq_59456399的博客 8990

无线篇| AP组与VLAN pool在工作中的实际作用

AP组在工作中的实际作用 我们都知道,AP上线默认情况下是在default组里面的,适用于常见场景,今天就来说说什么情况下需要分多个AP组的案例。比如这样一个学校场景,有实验楼、教学楼、食堂、寝室等楼层,都部署了无线AP构建无线网,按我们常见的部署是统一一个无线SSID的VAP,最终调用在AP组里面,但是在学校的场景中,除了一个统一的SSID以外,每个楼层还会单独放出一个单独的SSID,...

ICT系统集成实战派博主|深耕数通/云计算/网络安全/系统集成领域,聚焦华为/思科/华三/锐捷设备配置、项目排障与落地实战。 871

在 WLC上配置WPA2-Enterprise WLAN

创建一个WLAN,配置DHCP和SNMP,然后把主机连接到网络

2302_78039953的博客 3715

WLAN原理与配置

1.AP上线2.WLAN业务配置下发3.STA接入4.WLAN业务数据转发WLAN配置。

wd200426的博客 3378

大型WLAN组网架构

大型WLAN组网架构

...... 2059

华为配置WLAN 802.1X认证实验

组网图形配置802.1X认证组网图。

专研计算机网络,数据通信,网络安全,系统集成 3748

子网规划与组网实验_【干货】从0到1,“大型WLAN组网”基础知识分享~

点击蓝字关注我们目前,大多数企业办公环境同时使用有线和无线网络来支撑业务。办公区在提供有线网口的同时,也采用全Wi-Fi覆盖,办公环境更为开放和智能。未来,企业云桌面办公、智真会议、4K视频等大带宽业务将从有线网络迁移至无线网络,而VR/AR、虚拟助手、自动化工厂等新技术将直接基于无线网络部署。新的应用场景对企业WLAN的设计与规划提出更高的要求。本文将介绍大型WLAN组网的典型...

weixin_39760967的博客 1056

ENSP实验一:防火墙基础配置

配置client(内网)、FTP Server(外网)的IP地址。进入防火墙,输入密码:默认为admin@123。

Carohuan的博客 1万+

MobaXterm详细使用教程

当然MobaXterm的功能远不止这些,但这些是最基本,最常用的,因此先拿出来讲。点击确定后,输入密码(输入密码时并不会显示,只管输入后按确定即可,第一次登陆成功后会提示保存密码,一般选择同意),就可以连接上虚拟机了。(2) 我们可以直接apt-get安装vim等常用功能(或者官网下载插件),实现在windows下模拟linux环境,这样就可以使用vi命令准备INCAR文件,也可以使用Gnuplot进行绘图。支持 Unix 命令(bash,ls,cat,sed,grep,awk,rsync,…

博客 4万+

WLAN基础知识

1.定义:WLAN通过无线信道代替有线传输介质连接两个或多个设备形成一个局域网LAN(Local Area Network)。其狭义定义是基于IEEE 802.11系列标准,利用高频无线射频(如2.4GHz或5GHz频段的无线电磁波)作为传输介质的无线局域网。2.特点灵活性:不再使用通信电缆将计算机与网络连接起来,使得网络的构建和终端的移动更加灵活。移动性:用户可以在网络覆盖范围内自由移动,同时保持网络连接。安装便捷:相比传统有线网络,WLAN的安装更加简单快捷。易于扩展。

2301_77292637的博客 2703

【LTspice】005 伯德图绘制

目录 1 伯德图介绍 2 LTspice 截止频率验证 3 LTspice中如何添加光标 4 LTspice中如何将 幅频 和 相频曲线分开 1 伯德图介绍 Bode图由对数幅频特性和对数相频特性两张图组成。伯德图_百度百科 (1)对数幅频特性曲线 对数幅频特性是频率特性的对数值L(ω)=20lgA (ω)(dB)与频率ω的关系曲线;对数幅频特性的纵轴采用线性分度,为幅值的分贝数,即 L(ω)=20lgA(ω),A(ω)每增加10倍,L(ω)增加20dB;横坐标采用对数分度,即横轴上的ω取

m0_59642765的博客 1万+

WLAN基础知识--认识WLAN基本概念

WLAN基础知识–认识WLAN 一 无线网络分类 1.根据范围进行分类 根据范围进行划分 范围 5m - 10m <100m >100m >1km 网络名称 PAN WLAN MAN WAN 无线连接 蓝牙,红外,NFC Wi-Fi 城域网 广域网 2.网络类型概述 PAN:personal area network 个人区域网络(范围5到10m) 常用的无线连接代表有:BT(蓝牙),NFC,红外 有线连接:USB或者其它连接方式 用途:可以用于传输小文

Damon 9834

PHM 2010数据集解读

PHM数据挑战赛是一项面向所有潜在与会者的竞赛。今年的挑战集中在使用测力仪、加速度计和声发射数据估计高速数控铣床刀具的RUL上。 博客对PHM 2010数据集的组成和信号进行了可视化。

cnjs1994的博客 7649

枚举 ACS 电机状态位 完全解析

本文解析了ACS运动控制器SDK中的MotorStates枚举,该枚举对应控制器状态标志位?MFLAGS。主要介绍了6个核心状态:ACSC_ALL(-1)表示所有轴,ACSC_NONE(0)为空闲状态,ACSC_MST_ENABLE(1)为轴使能,ACSC_MST_INPOS(16)表示到位,ACSC_MST_MOVE(32)为运动中,ACSC_MST_ACC(64)为加速中。文章还补充了完整的枚举定义,包含报警、回零等状态,并提供了在晶圆AOI4轴运动中的典型应用场景,如判断轴状态、运动条件等。最后强调只

StevenChen的博客 250

关于WLAN的总结

WLAN漫游是指STA(无线终端,比如手机、笔记本)在不同AP(无线接入点)覆盖范围之间移动时,保持业务不中断的行为。对比项VRRP双机热备双链路双机热备N+1备份切换速度⚡ 快(毫秒级)中等(需超时检测)慢(需重连)是否支持异地部署❌ 不支持(二层限制)✅ 支持✅ 支持业务中断情况基本无感终端不重连AP和终端都要重连适用场景高可靠、同城部署高可靠、异地容灾成本敏感、可靠性要求不高✅ 总结一句话:要实现无缝漫游,就要统一SSID和安全策略;要保障网络高可用。

u011961970的博客 1929

c#算法(5)—最小二乘法(二次曲线拟合)

最小二乘法——二次曲线拟合

qq_34059233的博客 1659

Android WLAN (好文)

目录 一、 概览 应用框架 WLAN 服务 WLAN HAL 二、 WLAN HAL 供应商 HAL 客户端 HAL Hostapd HAL WLAN 多接口并发 三、 Wi-Fi Infrastructure Feature 打开网络通知 自动开启 WLAN 自动连接到开放网络 外部网络评分服务提供方 WLAN 网络标记 四、 STA/AP并发 示例和来源 实...

Saimon的博客 8213

ZED双目相机环境配置

ZED SDK 安装文件夹中有一个 Python 脚本(get_python_api.py),可以自动检测操作系统、CUDA 和 Python 版本并下载相应的预编译 Python API 包(pyzed)。安装SDK成功后,我们进入ZED SDK文件夹中的tools子文件夹,运行ZED Explorer.exe 以及 ZED Depth Viewer.exe,查看ZED相机是否能正常启用工作。在本例中,我们简单地检索ZED相机的序列号:打开 ZED相机,然后打印其序列号,然后关闭相机。

qq_53545309的博客 2154

【WRFDA第三期】OBSPROC namelist 变量总结

OBSPROC namelist 变量总结

WW、forever的博客 1120

WLAN入门到精通

前一段时间学习无线网络相关知识,看到了华为论坛的一个系列帖子,最近看完了,觉得不错,对无线交互的整个过程有个相近的介绍,适合初学者去学习理解。 -------------------------------------------------------------------------------------------------------------------------------...

时有限 2883

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

WLAN技术之WLAN安全

概述 WLAN技术具有安装便捷、使用灵活、经济节约、易于扩展等优点。但是WLAN技术是以无线射频信号作为业务数据的传输介质,这种开放的信道使攻击者很容易对无线信道中传输的业务数据进行窃听和篡改。通过配置WLAN安全,可以防止攻击者对WLAN网络的攻击,并有效保护合法用户的信息和业务。 WLAN安全主要包括以下方面: 1、用户接入安全:对用户接入无线网络必须有合法性和安全性措施,包括:链路认证,用户接入认证和数据加密。 2、边界防御安全:未经授权的AP用户、Ad-hoc网络、拒绝服务型攻击等对WLA

以为网工见习者 3622

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

华为ensp:WLAN的无线综合实验

总之,WLAN作为一种灵活便捷的无线网络形式,极大地提升了工作和生活中的网络应用体验。从其发展历程来看,WLAN经历了多次技术进步,不断优化传输速率和网络稳定性。尽管存在一些不足,但随着技术的不断完善,WLAN将更好地满足人们日益增长的无线联网需求。

2401_83878929的博客 1万+

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!

无线局域网(WLAN)

一、WLAN基础 WLAN技术使用射频传输信息,通过天线完成信息的发射和接收。射频表示可以辐射到空间的电磁频率,也可表示射频电流,通常人们把具有远传输能力的高频电磁波称为射频。WLAN的工作频段是2.4GHz频段和5GHz频段,如果一个无线AP同时支持两个频段,则称该AP支持双频段。这两个为工业和医学频段。

weixin_62594100的博客 1万+

无线网络——WLAN详解

人们为这段电磁波又定义了无线频谱,按照频率范围划分为极低频、超低频、中频、高频、超高频等,WLAN使用的射频频率范围是 2.4GHz 频段(2.4GHz~2.4835GHz)和 5Hz 频段(频段范围 5.150GHz ~ 5.350GHz 和 5.725GHz ~ 5.850GHz),分别属于特高频(300MHz ~ 3GHz)和超高频(3GHz ~ 30GHz)适用于中小型企业,需要配合云管理平台使用,由云管理平台统一管理和配置,功能丰富,即插即用,对网络维护人员的技能要求低。

wh940830165的博客 1万+
上一篇: WLAN开局配置
uzumcc
博客等级 码龄8年 420粉丝 22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