会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

5G共建共享网络下的无线切片技术研究

为满足千行百业的多种业务场景服务和消费者应用体验的差异化需求，5G 引入了网络切片技术。针对无线切片的3种技术：QoS调度、资源预留和载波隔离进行了深入研究，详细介绍了不同技术的实现原理。根据产业链成熟度，分3个阶段制定无线切片的部署策略。并基于3个阶段，制定共建共享网络下不同的无线部署建议，在保障用户差异化感知的基础上实现电联资源对等公平。

  • 2021-12-30
  • 阅读79
  • 下载0
  • 19页
  • docx

融合数据驱动下的客户运营方案研究

当前通信市场竞争激烈，新技术快速发展，4G/5G应用全面普及，电信运营商的经营模式正在经历重大变化，同时运营对象也已发生变化，已经不能再分专业、割裂地看单个用户的发展和价值。通过大数据多源异构数据融合的方法，从用户运营转为客户运营，基于统一自然人构建客户账户，通过“一客户多用户”看总体发展和价值经营。借助客户全息画像的方法洞察客户需求，从实际出发为网络发展和精准营销提供决策支撑。

  • 2021-12-30
  • 阅读78
  • 下载0
  • 11页
  • docx

研究综述：机器学习在社会科学中的应用

随着数据的可得和计算机软硬件的发展，机器学习技术在业界及自然科学领域已经得到了广泛地应用。在社会科学领域，该技术使用虽然起步较晚，但发展也非常迅速。本文目的旨在系统介绍机器学习在社会科学中的应用。在简单介绍定义，在业界及自然科学领域的应用后，我们将从数据生成、预测以及因果识别（DID，RD和IV）三方面详细介绍机器学习在社会科学中的应用。局限于社科因果识别方法论的成熟及样本量限制，我们认为机器学习虽然拓展了社会科学研究的边界，但并不会颠覆现有研究范式。最后，本文从学界不平等及可复制性等方面讨论了该技术在应用过程中可能带来的问题。

  • 2021-12-30
  • 阅读98
  • 下载0
  • 40页
  • docx

5G定位技术研究综述

连续广域覆盖、热点高容量、低功耗大连接和低时延高可靠是第五代移动通信技术（5G）四大主要技术场景. 移动台的位置信息不仅是新业务的需求，更能有效应对5G新业务在流量密度、连接数量、超低时延、高可靠性、高移动性上面临的挑战. 针对面向5G的定位技术研究展开综述，并对定位技术涉及的主要方向进行了分析.

  • 2021-12-30
  • 阅读86
  • 下载0
  • 29页
  • docx

5G专网场景需求与关键技术分析

专网通信技术从窄带模拟集群通信、窄带数字通信，逐渐向宽带数字集群通信发展，能够支持语音集群、视频调度、移动图像等业务。由于行业特点鲜明，规模较小、投资分散，专用设备及终端价格高，因此进入壁垒较高。传统专网技术、业务、产品迭代速度较慢，整体处于2G水平；部分行业，如政务、公安、电力、石化、铁路等已应用4G LTE专网。随着大数据、物联网等技术和工业互联网、车联网发展，LTE及Wi-Fi无法满足对安全性、可靠性、可控性、低时延、抖动、连接密度、速率和定位精度等性能要求更高的专网场景。[

  • 2021-12-30
  • 阅读81
  • 下载0
  • 6页
  • docx

面向5G移动通信系统的本振技术研究

新一代移动通信标准致力于大幅提高数据传输速率，大规模MIMO 是5G 通信的关键技术之一，具有广阔的研究前景。在大规模MIMO 应用场景下，利用数百根天线阵列使大量的终端用户同时共享频率资源，系统中存在多路收发信道，需要多路本振信号，对本振有了些额外的要求，因此本振系统的研究成为关键之一，设计是一个难点。如果本振与收发电路设计在一块电路板上，会加重本振泄露、射频串扰等问题，针对大规模MIMO 系统的多通道设计，还会明显的增加电路板图尺寸与器件成本，为了提高性能、降低成本，我们研究外置的本振系统。本设计采用并行分配输出16 路射频本振信号，使得本振输出通道之间的隔离度高，输出信号一致性良好、相位噪声性能优异，特别是相位的一致，对于大规模MIMO 技术做波束成型很有意义。

  • 2021-12-30
  • 阅读111
  • 下载0
  • 10页
  • docx

lon+works网络技术在智能建筑中的应用与发展

lon+works网络技术在智能建筑中的应用与发展lon+works网络技术在智能建筑中的应用与发展lon+works网络技术在智能建筑中的应用与发展

  • 2021-12-30
  • 阅读91
  • 下载0
  • 3页
  • pdf

用机器学习预测药物在靶点上的停留时间

药物在靶点上的停留时间（即与特定蛋白靶点结合的持续时间），在某些蛋白家族中，对药效的影响比结合亲和力更重要。为了在药物发现中对停留时间进行有效的优化，需要开发能够预测该指标的机器学习模型。预测停留时间的主要挑战之一是数据的匮乏。本章概述了目前所有可用的配体动力学数据，提供了一个迄今为止最大的GPCR-配体动力学数据资料库（公开来源）。为了帮助解读动力学数据的特征（这些特征的纳入对于预测停留时间的计算模型是有益的），我们总结了影响停留时间的实验证据。最后，概述了用机器学习预测停留时间的两种不同的工作流程。第一个是根据配体特征训练的单靶点模型；第二个是根据分子动力学模拟产生的特征来训练的多靶点模型。

  • 2021-12-30
  • 阅读90
  • 下载0
  • 17页
  • docx