文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

【网优规划工具】

PCI规划遵循模3原则，未做PCI保留功能，为避免PCI冲突与混淆，使用时“ZC/PCI复用距离”不宜给定太小，建议4-6Km（视站点覆盖场景而定）。...0,7,14…833共119个可用根序列索引，根据可用的根序列索引，在所有小区之间进行分配，原理类似于PCI分配方法。...邻区规划根据工参及给定的区域范围值进行计算得出，4G系统内邻区默认规划成双向邻区，245G邻区关系均自动生成脚本（华为MML命令）。如邻区规划范围给定值较大，建议邻区数量选“限制”。...ZC/PCI复用距离与邻区规划距离超过10Km则以10Km进行计算。...网优规划工具下载连接： https://pan.baidu.com/s/1WFuQPugnm0O2keYwxM9CBw 提取码：vv2c 可扫码提取： ?

1.6K20

PCI规划工具

PCI规划遵循模3原则，未做PCI保留功能，为避免PCI冲突与混淆，使用时“ZC/PCI复用距离”不宜给定太小，建议4-6Km（视站点覆盖场景而定）。...ZC根序列索引规划遵循以下几个原则： 1、816-837预留给高速小区； 2、根据小区半径决定Ncs取值；按小区接入半径10km来考虑，Ncs取值为78，64个前导序列就需要7个根序列索引，可供的根序列索引为...ZC/PCI复用距离与邻区规划距离超过10Km则以10Km进行计算。...PCI规划依赖小区方位角数据，1小区方位角范围0-120，2小区方位角范围120-240，3小区方位角范围240-360，如站点同频小区方位角出现范围重叠，则有概率出现站内模3问题。...网优规划工具下载连接： https://pan.baidu.com/s/1IQDEOO45I2703o1K7cD6vQ 提取码：s8si 可扫码提取： ? 网优苦短，我用Python ? ?

2.8K60
    • 您找到你想要的搜索结果了吗？
    是的
    没有找到

    unity3d新手入门必备教程

    ，并生成Materials文件夹，如    9.      ...如果你打开过资源文件夹，你将发现所有的项都将出现在工程视图中。不同的是在工程视图中，你将创建并将物体连接在一起。这些关系将存储在工程文件夹的其他位置。从工程视图中移动资源将维持并更新文件之间的联系。...任何在脚本中申明的公有变量都将在游戏物体的检视面板中显示为可编辑或可连接。编写脚本的时候，你能够直接访问任何游戏物体类的成员。你可以在这里看到一个游戏物体类的成员列表。...所有的改变都被拷贝到预设中，并应用到每个场景中所有的实例上。    将物体连接到预设可以将预设应用于现有的没有连接的物体上。这将添加所有该物体没有的组件到物体上并将其连接到预设。...性能考虑光照可以使用两种方式来渲染：顶点(vertex)光和像素(pixel)光。顶点光仅仅在游戏模型的顶点上计算光照，并在模型的表面进行插值。像素光将计算屏幕中每个像素，因此非常费时。

    6.3K10

    构建一个应用程序来展示区块链是如何工作的

    索引：o + 1 = 1 上一哈希：0000018035a828da0 ...... 时间戳：添加块时间。 数据：freeCodeCamp 哈希：?? Nonce：?? 如何计算哈希值？...是否注意到块哈希中的四个前导0？ 四个前导0是有效hash的最低要求。所需的前导0的数量称为难度。...块A的哈希值发生变化，因为数据用于计算哈希值。 块A变为无效，因为其哈希不再具有四个前导0。 块B的哈希值发生变化，因为块A的哈希值用于计算块B的哈希值。...块B变为无效，因为其哈希不再具有四个前导0。 块C的哈希值发生变化，因为块B的哈希值用于计算块C的哈希值。 块C变为无效，因为其哈希不再具有四个前导0。 改变块的唯一方法是再次挖掘块，然后是所有块。...深入浅出玩转EOS钱包开发，本课程以手机EOS钱包的完整开发过程为主线，深入学习EOS区块链应用开发，课程内容即涵盖账户、计算资源、智能合约、动作与交易等EOS区块链的核心概念，同时也讲解如何使用eosjs

    1.4K30

    一文详解ORB-SLAM3

    作者的方法是：候选的关键帧第一次就进行几何一致性检测，然后利用三个共视的关键帧进行局部的一致性检验，这种策略提升了召回率，并简化了数据关联，从而提高了地图准确性，但计算成本变高。...为了改进初始估计，在初始化后5秒和15秒进行视惯性BA，收敛到1%尺度误差，如第七节所示。...这个方法的关键是：在大多数情况下我们需要验证的信息已经都在地图中了，为了验证位置重识别，我们在active地图中和Ka共视的两个关键帧（共视帧中共视的地图点超过一定的阈值。...利用中期的点关联来更新共视和基本图添加Mm和Ma的连接边。 连接窗口的BA：在连接窗口中把所有来自Mm和Ma中的关键帧进行局部优化。为了保证滑窗中的关键帧数，Mm的共视帧保持固定。...根据匹配的关键帧组成连接窗口，重复的点被检测融合然后叜共视图和本质图中构建新的边。然后进行位姿图优化来传播闭环校正的结果到剩余的地图中。

    2.1K01

    一文详解ORB-SLAM3

    作者的方法是：候选的关键帧第一次就进行几何一致性检测，然后利用三个共视的关键帧进行局部的一致性检验，这种策略提升了召回率，并简化了数据关联，从而提高了地图准确性，但计算成本变高。...为了改进初始估计，在初始化后5秒和15秒进行视惯性BA，收敛到1%尺度误差，如第七节所示。...这个方法的关键是：在大多数情况下我们需要验证的信息已经都在地图中了，为了验证位置重识别，我们在active地图中和Ka共视的两个关键帧（共视帧中共视的地图点超过一定的阈值。...利用中期的点关联来更新共视和基本图添加Mm和Ma的连接边。 连接窗口的BA：在连接窗口中把所有来自Mm和Ma中的关键帧进行局部优化。为了保证滑窗中的关键帧数，Mm的共视帧保持固定。...根据匹配的关键帧组成连接窗口，重复的点被检测融合然后叜共视图和本质图中构建新的边。然后进行位姿图优化来传播闭环校正的结果到剩余的地图中。

    1.8K20

    CSS banner图响应式居中显示

    网站首页，banner 图作为网页中最大的一张图片，在传达网页的的主要信息的同时，也吸引着浏览者的所有注意力，所以 banner 图的展示方式直接影响着用户的体验，今天我们就来聊聊 banner 图如何在不同尺寸的视口中居中显示...我们都知道，通过background-size: cover;属性能够将图片居中显示，但在窗口拉伸的过程中，图片往往很随着拉伸而变得惨不忍睹，所以我们可以将图片独立出来，并通过隐藏图片两侧的方式，来达到...banner.jpg) CSS 样式如下 body { overflow-x: hidden; } .banner { width: 1210px; margin: 0...auto; } .banner img { width: 1920px; margin: 0 -355px; vertical-align: middle; } 当视口宽度与图片宽度同为...1920 px 时，Nian 糕正好处于视图居中位置，页面效果如下图所示 当视口宽度为 1210 px 时，Nian 糕依旧在视图中居中显示，如下图所示 本篇的内容到这里就全部结束了，源码我已经发到了

    2.3K30

    常用正则表达式

    )：[^\x00-\xff] ----[size=13px]使用 ASCII 编码 20.应用：计算字符串的长度（一[backcolor=rgb(255, 0, 255)]个双字节字符长度计2，...： 元字符：规定前导字符在目标对象中出现的模式 “ +”元字符规定其前导字符必须在目标对象中连续出现一次或多次。.../fo+/ “*”元字符规定其前导字符必须在目标对象中出现零次或连续多次。 /eg*/ “?”元字符规定其前导对象必须在目标对象中连续出现零次或一次。 /Wil?...例如： /([a-z][A-Z][0-9])+/　上述正则表达式将会与任何由字母和数字组成的字符串，如 “aB0” 等相匹配。 “|”。...当“^”出现在 “[]”内时就被视做否定运算符；而当“^”位于“[]”之外，或没有“[]”时，则应当被视做定 位 符。 ? 当该字符紧跟在任何一个其他限制符 (*, +, ?

    2.9K121

    【笔记】《计算机图形学》(7)——观察

    和我们人眼观察世界时有视野大小和可视距离一样，在计算机空间中观察物体是有范围限制的，这个范围称为视体，只有在这个视体内的物体才可能被渲染到屏幕画面中来。...可以看到现在我们需要的就是投影变换的部分了，我们要将那个金字塔形的视体转为上面使用的规范视体的形式。...相机变换 再回到流程图中，这就到了最后的一个变换部分了，前面的变换都假设物体已经稳稳当当地放在视体中了，但实际上我们需要利用变换让相机坐标移动到需要的位置并让视体对准我们要的物体，再把物体的坐标从世界坐标系转换到相机坐标系中提供给上面的变换...而这种变换显然是非线性变换，如何在矩阵运算中处理这个问题呢？上一节介绍仿射变换的时候提到了标记位w在透视投影中有意义，这就是这里使用到的透视除法，这个w值是其他坐标的缩放程度。...动手计算一下就能知道这样的处理后，如果我们将得到的向量做透视除法齐次化，得到的ys就是d/z*y也就是例图中的样子，这个矩阵利用了携带的z值与焦距d协同完成了缩放操作 ?

    2K20

    Python 算法高级篇：图的表示与存储优化

    它可以用来表示各种关系，例如社交网络中的朋友关系、城市之间的道路连接、计算机网络中的数据传输等。在图中，节点表示实体，边表示实体之间的关系。...在有向图中，通常分为入度和出度。 路径：路径是连接图中节点的边的序列。 连通图和非连通图：如果在图中任意两个节点之间都存在至少一条路径，那么图是连通的。否则，它是非连通的。...环路：图中的环路是一个节点序列，从一个节点出发，经过一些节点，最终回到出发节点。 3. 图的表示方法 在计算机中，有多种方法可以表示图，每种方法都有其优势和劣势。...邻接矩阵的压缩表示 对于稀疏图，可以使用邻接矩阵的压缩表示，如稀疏矩阵或邻接列表数组，以减少空间消耗。 4.2. 邻接表的哈希表表示 使用哈希表来表示邻接表，以加速节点之间边的查找。 5....使用示例 让我们通过一个简单的示例来演示如何在 Python 中表示图。我们将创建一个无向图，并使用邻接表表示法。

    31530

    网络安全宣传周 - 窃视扫地机器人

    （三）网络连接与传输扫地机器人通过内置的无线网络模块（如 Wi-Fi）连接到互联网，将编码后的图像数据实时传输到指定的服务器或直接传送到窃密者的手机应用程序中。...五、案例分析（一）案例一某家庭在使用一款知名品牌的扫地机器人后，发现家中的私密照片在网络上流传。经过调查，发现是该扫地机器人被植入了窃视装置，在清扫过程中拍摄的照片被窃取并传播。...设置强密码保护设备的连接和配置，避免使用默认密码。（三）网络安全防护确保家庭无线网络的安全性，采用强加密方式（如 WPA3），并定期更改密码。设置访问控制列表，只允许信任的设备连接到网络。...同时，使用网络监测工具，检查是否有异常的数据流量或与未知服务器的连接。（五）提高安全意识家庭成员应增强信息安全意识，了解智能家居设备可能存在的风险，避免在扫地机器人工作区域进行敏感活动。...（三）用户隐私意识与平衡在保障用户隐私的同时，也要考虑到设备的正常功能和用户体验，如何在技术创新和隐私保护之间找到平衡将是一个持续的挑战。

    9510

    学习多视图立体机

    我们又是使用什么样的线索？ 从仅有的几个视角，我们是怎样无缝整合这些信息并且建立一个整体的三维场景模型？ 计算机视觉方面的大量工作都致力于开发算法，这些算法利用图像中的线索，来实现这一三维重建任务。...这类算法已经引导了Structure from Motion（SfM）和Multi-view Stereo（MVS）的开发，并被用于制作城市规模的 3D模型，并且实现了丰富的视觉体验，如3D立体 地图。...在近期工作中，我们尝试统一这些单视和多视三维重建的范例。...这是三维计算机视觉的激动人心的时刻。用深度网络预测高分辨率的几何图形现在是可能的。我们甚至可以在没有明确三维监督的情况下训练三维预测。我们迫不及待想要在LSMs中使用这些技巧/想法。...还有待观察的是，如何将图像从二维提升到三维以及如何在公制世界空间推理这些图像将有助于其他下游相关任务（如导航和抓取），但是这确实会是一个有趣的旅程！我们将很快公布LSMs的代码，以便于实验和重复性。

    2.2K90

    tensorflow_cookbook--preface

    第2章，“TensorFlow方法”建立了如何通过多种方式将第1章中的所有算法组件连接到计算图中，以创建简单的分类器。 一路上，我们涵盖了计算图，损失函数，反向传播和数据训练。...第3章，线性回归，重点是使用TensorFlow来探索各种线性回归技术，如戴明，套索，脊，弹性网和逻辑回归。 我们演示如何在TensorFlow计算图中实现每个。        ...第4章，支持向量机引入了支持向量机（SVM），并展示了如何使用TensorFlow来实现线性SVM，非线性SVM和多类SVM。        ...第6章，神经网络涵盖了如何在TensorFlow中实现神经网络，从操作门和激活功能概念开始。然后我们显示一个浅层神经网络，并展示如何建立各种不同类型的图层。...第9章，循环神经网络解释了如何在TensorFlow中实现复发神经网络（RNN）。我们展示如何做文本垃圾邮件预测，并扩展RNN模型，以基于莎士比亚的文本生成。

    2.4K100

    腾讯云：基于腾讯云搭建WordPress（领取腾讯云优惠券）

    这篇文章交大家如何在腾讯云上创建一个WordPress网站，方法及其简单，小白都能操作，个人做网站多年，这是最好的一个建站方案，如果你想搭建一个自己的博客，可以按照我的图文操作试试，我的教程是基于Linux...，需要备案，否则即便解析成功也无法打开 3，第三部部署宝塔环境，并且解析域名，安装wordpress（重点部分） 连接你的服务器（很多人比较纠结，Linux系统不懂怎么办，这个教程不需要你懂Linux...1地方输入你刚刚买的服务器的IP,点击图中标注2的地方开始链接 连接服务器时需要注意的时，输入密码的时候不展示，但是是有效输入。...安装完成后，点击如软件管理并添加安装宝塔一键部署源码，可用于一键安装WordPress ? 点击一件部署并填好自己的域名，注意带www和不带都要填上，并设置好数据库名称以及密码 ?...填写之前在宝塔面板设置好的数据库名称及密码，其他默认即可.如果填写正确即会先视如下欢迎页。安装成功后点击登录即可登入WordPress后台愉快的玩耍了。 ?

    96.8K80

    Django 过滤器

    divisibleby:"2" %} 判断是否整除指定数字 {{ string|escape }} 转换为html实体 {{ 21984124|filesizeformat }} 以1024为基数，计算最大值...|floatformat:"2" }} 保留2位小数 {{ 23456 |get_digit:"1" }} 从个位数开始截取指定位置的1个数字 {{ list|join:", " }} 用指定分隔符连接列表...'January'  g 小时, 12-小时制,没有前导零 '1' to '12'  G 小时, 24-小时制,没有前导零 '0' to '23'  h 小时, 12-小时制,有前导零 '01' to ...用字符串表示特殊 的时间点, 如 'midnight' 和 'noon' (django扩展) '1 a.m.', '1:30 p.m....'EST', 'MDT'  U 未实现    w 一周中的第几天,没有前导零的数字 '0' (Sunday) to '6' (Saturday)  W ISO-8601 一年的第多少星期数, 一周从 星期一开始

    2.7K30

    一文详解ORB-SLAM3中的地图管理

    ·生成树 Spanning Tree： Spanning Tree用最少的边连接了所有的关键帧节点（即共视图中所有的节点）。...·Essential Graph: 根据共视关系得到的共视图是一个连接关系非常稠密的图，即节点之间有较多的边，而这过于稠密而不利于实时的优化。...Essential Graph中的节点依旧是全部的关键帧对应的位姿，连接的边包含三种边：Spanning Tree的边、共视图中共视关系强（共视点数量超过100）的边、以及回环时形成的边。...检测：首先由重识别模块检测出当前关键帧Ka与匹配上的待吞并关键帧Ks，并获取两个子地图当中与匹配上的两个关键帧具有共视关系的关键点和关键帧。 2....主要改进是，当当前关键帧与数据库的关键帧匹配上后，检测与当前关键帧具有共视关系的关键帧是否也能够匹配，如果可以则判定为重定位成功；否则才继续使用接下来的关键帧进行判定。 2.

    1.5K10

    SIGCOMM 2023 | Dragonfly：以更高的感知质量实现连续 360° 视频播放

    在决定如何在主要流中安排 tile 获取时，现有方法如 Flare 和 Pano 不能直接应用，因为它们旨在获取所有 tile 同时最小化停滞。...在时间 _0 时计算效用，Dragonfly 考虑了在时间窗口 (_0，_{0 +}) 内的预测视口，其中 表示前瞻窗口大小。...在时间窗口 (_0，_{0 + }) 内的计算中，累积位置分数为 L_{it} = \sum_{f=t}^{t_0+W}l_{if} 。图 4 说明了计算过程。...该过程的伪代码如算法 1 所示。 实现 图 5 Dragonfly 概览 图 5 展示了 Dragonfly 的概览。我们在 Linux 平台上使用 C++ 实现了 Dragonfly 的原型。...当接收到一个 tile 时，客户端计算未来带宽估计的接收时间，并使用 ffmpeg-libavcodec C++ 库解码 tile 。

    26810

    Science: 快速眼动揭示睡眠中发生的认知过程

    我们决定使用鼠标的头部方向(HD)系统作为客观读数。HD细胞是存在于丘脑背侧核(ADN)中的一群神经元。当动物在环境中探索或导航时，它们的集体活动报告了动物头部沿方位角的方向。...三角形标记CCW转弯(青色)和CW转弯(紫红色)的例子帧的时间，如(C)所示。底部的痕迹说明了两只眼睛(红色和蓝色)的水平位置。垂直虚线表示跳视的开始。(F)右眼在CCW扫视前后的两张快照显示在顶部。...右图中的虚线圈标记了瞳孔的原始位置(N，鼻合角;T,颞合缝处)。红色的痕迹表示右眼在时间上的水平位置。视跃振幅被定义为视跃时眼睛水平位置的变化。绿色的痕迹说明了解码后的航向。...在本图和其他图中，散点图的右上和左下象限分别代表CW和CCW运动。(H)共轭扫视振幅(双眼平均)与解码头转振幅之间的相关性。扫视振幅预测了每只老鼠(灰色线)和所有老鼠(红色线;垂直线表示标准差)。...我们使用头戴式相机量化了睡眠动物快速眼球运动的方向和幅度。

    25240
    点击加载更多

    扫码

    添加站长 进交流群

    领取专属 10元无门槛券

    手把手带您无忧上云

    扫码加入开发者社群

    相关资讯

    热门标签

    更多标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      腾讯云开发者

      扫码关注腾讯云开发者

      扫码关注腾讯云开发者

      领取腾讯云代金券

      热门产品

      热门推荐

      更多推荐

      Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有

      深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

      腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287

      领券