ziyubiti

　　与NR-Pss类似，NR-Sss映射为连续的127个SC，占用144SC，两侧分别为8/9个SC做为guard band。　

　　同步信号做为通信系统最基础的信号，5G NR的SS设计，继承了4G的一些优点，同时针对5G的新特点，也进行了相应优化改进。

　　全双工（full duplex）即收发采用相同频率，故会存在自干扰（self interference）问题，FD技术的核心在于如何消除SI。其优势在于SIC完成较好时相对于FDD/TDD可以显著提高频谱效率。
　　下面FD相关小结，摘自《Signal Processing for 5G：ALGORITHMS AND IMPLEMENTATIONS》© 2016 John Wiley & Sons, Ltd，版权归原书所有。

　　再次更新blog，已一年矣。2017年发生了很多事，留下了许多思考。

　　目前4G LTE下行波形为CP-OFDM，为改善ACLR性能，通常会再进行滤波处理（又称WOLA，Weighted OverLap and Add – Windowing technique）以降低OOB辐射。
　　5G考虑到频谱效率、非正交接入、多业务共存等，需要尽可能降低带内与带外辐射，降低对相邻PRBs、band的干扰。
　　5G目前讨论的下行候选波形，主要包括三种：FBMC(Filter Bank Multi-Carrier)、UFMC(Universal Filtered Multi-Carrier)、GFDM(Generalized frequency division multiplexing)。
　　三种技术均是通过加滤波器的方式，不再需要CP或仅需要短ZP，以期提升频谱效率。相应地，收发处理会增加复杂度，以减轻ISI/ICI的影响。
　　FBMC通过多相网络对各个子载波进行滤波，UFMC对RBs进行滤波，GFDM在频域进行单抽头滤波。
　　Qualcomm在《5g-research-on-waveform-and-multiple-access-techniques》中对这三种候选新波形进行了评估，摘要如下。
　　
　　FBMC的结构与性能如下：

　　最近招行网银里面退出了‘2016趣味年度账单’功能，里面可以看到各方面的花费，同时可以看到年度收入在同城如北京市的排名，比如年度收入5w，排名超过30%；收入10w，超过40%之类。
　　由此，假设全市的人非常多，各行业、各岗位的相关性不大，那么招行统计的这么多数据，就可以认为服从某一个概率分布；如果我们拿到几个这样的数据，那么就可以按照此概率分布，来大概了解下全市的收入分布了。
　　当然，这样的模型并不严谨，首先招行毕竟是小众银行，覆盖人群并不是大多数人群，采样有偏差；其次，数据量如果较小，那么模型容易过拟合而失真；再次，顶多体现工薪阶层的收入分布，诸多高收入人群收入多样化完全不适应。
　　一般认为社会人群收入分布为金字塔型，那么我们建模其为高斯分布。
　　根据北京市统计局的平均工资数据，2016平均工资为8717元，因招行统计的为入卡收入，必然已扣除社保、公积金之类，则可以计算出，平均年度税后收入为8.8w，此为高斯分布的均值u；根据几个熟人的排名数据，可以计算出高斯分布的标准差sigma=14，从而得到工薪年度税后收入分布图如下：
　　　
　　各阶段排名的年度税后收入，换算为税前收入如下：
　　　
　　现在可以看看，你处在哪一阶段呢？
　　如果你的招行网银收入排名数据，与这个模型偏差较大，那么欢迎留言反馈，以便我更好的改进模型。

　　深度学习发展迅速，资源庞大繁杂，如下资源若深入掌握，则可以入门了。
　　１、课程
　　　 - Maching Learning，Andrew Ng
　　　 - CS231n，Convolutional Neural Networks for Visual Recognition
　　　 - CS224d，Deep Learning for Natural Language Processing
　　2、框架
　　　 - keras
　　　 - Tensorflow

　　YOLO对实时视频的目标检测非常快，可达45FPS。这主要得益于其精妙的设计，对整体图片进行操作，相比R-CNN等大大降低了运算量。
　　YOLO的设计思想：
　　1、将图片划分为S*S的grid cell小网格，每个小网格给出B个bounding box判决，每个边界盒判决包括5个信息，（x，y，w，h，object_prb）,x/y为box的中心坐标，w、h为box的长宽，object_prob为box内存在物体的概率Pr（Object）。
　　2、每个小网格给出有物体存在时的C个分类的条件概率，Pr（Class|Object），从而可以得到整体图片中各个小网格内的各分类概率，Pr（Class）=Pr（Class|Object）* Pr（Object）,设置合适判决门限，高于判决门限的就是识别出的目标分类。
　　3、根据各个小网格中的已识别目标分类，及对应的边界盒信息，可以计算出各个目标的整个分割区域位置信息，坐标、长宽等，从而在图像或视频中标记出来。
　　
　　YOLO demo中，S=7，B=2，C=20，则网络最终输出7*7*（2*5+20）=1470，如下图：
　
　
　　
　　YOLO paper地址：https://www.arxiv.org/pdf/1506.02640v5.pdf
　　youtube上有作者在CVPR2016上的论文演讲视频：
　　

　　YOLO(You Only Look Once)是一个开源实时目标检测方案，可以对摄像头的实时视频进行目标检测与定位，其特点为： 　　
　　1、 简单的统一模型，采用回归方法，比R-CNN等快，比其它实时系统的精度高； 　　
　　2、 对图片进行全局预测，而不像R-CNN局部容易误判背景，背景误判降低一半。
　　3、 学习的是目标物体的更通用表征，比DPM（deformable parts models）和R-CNN有更低的预测准确度，尤其是一些其它输入，如绘画、动画之类。
　　4、 精度比状态图系统要低，尤其是小物品，主要原因是系统设计为快速识别定位，以时间换精度。