sns3学习笔记

下载安装

1.github链接:link.

2.安装好sns3后得到的整个satellite文件夹,放在了天翼云盘里,可直接下载放到ns3.30.1/contrib文件夹下,然后编译运行:https://cloud.189.cn/t/uYF7viYNV7v2

注:
(a)子模块地址:link.
由于子模块放在了外网,可以通过翻墙访问该网址下载压缩包,放到contrib/satellite/data文件夹下。
( 终端直接输入:git submodule update --init --recursive 无法下载成功)

子模块data文件夹天翼云盘链接:https://cloud.189.cn/t/buMBv26ZNVJ3

(b)子模块安装好后在contrib/satellite文件夹下手动创建一个空文件夹命名为.hg,否则会报错。

(c)过段时间写ns3+sns3的具体安装过程。

sns3官网地址

1.关于sns3的介绍:link.

2.官网:link.

3.API查阅:link.
在该网址查找需要用到的类与函数的定义。

简单介绍

sns3建模了具有一个GEO卫星作为透明转发器的多波束卫星网络。返回链路(RTN)以DVB-RCS2标准建模;前向链路(FWD)以DVB-S2标准建模。

feeder link:卫星与接入点之间的链路,分为前向和返回;
user link:用户终端与卫星之间的链路,分为上行和下行;

简单的通信过程(地面站1与地面站2通过GEO卫星进行的通信):地面站1(utUsers)->UT(地面站1与GEO之间的接入点) ->GEO -> GW(GEO与地面站2之间的接入点) ->地面站2(gwUsers)

user link由72个点波束组成,user beams由5个网关(gateways)提供 。。。好家伙,又开始懵比了,但是这里的程序我也用不上。。。

问题1:卫星通信中的网关到底是干啥的

问题2:还是不懂sns3中的user link和feeder link到底指什么链路?以及sns3建模的是否是我理解的通信过程?
准备通过学习DVB-RCS2、DVB-S2标准的内容看能不能解决困惑…

帧结构

返回链路(RTN)采用MF-TDMA多址方式接入,其帧结构包括:超帧序列+超帧+frames+时隙+带宽时间单位

DVB-RCS2

### 西瓜书第十章学习笔记:数据挖掘实战 #### 10.1 数据预处理 在进行任何数据分析之前,数据预处理是一个必不可少的过程。这一步骤通常包括缺失值处理、异常值检测以及特征缩放等操作[^1]。 ```python import pandas as pd from sklearn.preprocessing import StandardScaler # 加载数据集 data = pd.read_csv('watermelon_data.csv') # 处理缺失值 data.fillna(data.mean(), inplace=True) # 特征缩放 scaler = StandardScaler() scaled_features = scaler.fit_transform(data.drop(columns=['label'])) ``` #### 10.2 探索性数据分析 (EDA) 通过可视化工具和技术来理解数据分布及其潜在模式非常重要。这部分工作有助于发现隐藏于数据中的规律并指导后续建模过程。 ```python import seaborn as sns import matplotlib.pyplot as plt # 绘制箱线图查看各属性间的差异情况 plt.figure(figsize=(8,6)) sns.boxplot(data=data.iloc[:,:-1]) plt.show() # 计算相关系数矩阵 corr_matrix = data.corr().abs() print(corr_matrix) ``` #### 10.3 构建分类模型 基于前两步的工作成果,在本节中将尝试构建多个不同的机器学习模型来进行预测分析,并比较它们的表现效果以选出最优方案。 ```python from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score X_train, X_test, y_train, y_test = train_test_split(scaled_features, data['label'], test_size=0.2, random_state=42) clf = DecisionTreeClassifier(random_state=42).fit(X_train,y_train) predictions = clf.predict(X_test) accuracy = accuracy_score(y_test,predictions)*100 print(f'Accuracy: {round(accuracy,2)}%') ```
评论 12
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