Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, perhitungan dasar jaringan 5G dengan Python. Kita melihat bagaimana SNR dan throughput satu resource blok turun terhadap jarak, dan menemukan fakta menarik, user yang dekat menara bisa dilayani dengan daya jauh lebih kecil tanpa kehilangan kecepatan. Ayo kita mulai. Halo, selamat datang di seri tutorial riset, optimasi alokasi sumber daya jaringan 5G dan 6G dengan Deep Reinforcement Learning. Setiap setengah mili detik, stasiun pangkalan 5G harus memutuskan user mana yang mendapat resource blok dan berapa dayanya. Di seri 6 episode ini kita membangun semuanya dari nol. Konsep sumber daya, simulator jaringan, penjadwal klasik, formulasi MDP, agen DeepQ Network, sampai evaluasi throughput, keadilan, dan efisiensi energi. Di episode pertama kita memahami sumber dayanya. Kita buka terminal lewat menu terminal, new terminal, lalu pasang nampai, tork, gymnasium, dan matplotlib.
Langkah 1: Memasang library
PyTorch untuk jaringan saraf The QN, dan gymnasium untuk lingkungan reinforcement learning.
Langkah 2: Numerologi, RB & daya
Buat file parameter .py Kita pakai pita N78 di 3,5 GHz dengan numerologi MU sama dengan 1, jarak subkrier 30 kHz. Satu resource blok terdiri dari 12 subkrier, jadi lebarnya 360 kHz, dan satu slot berlangsung setengah mili detik. Kita jadwalkan 10 resource blok. Daya stasiun pangkalan 40 dBm atau 10 Watt, jadi 1 Watt per resource blok, dengan noise figure 9 dB dan efisiensi spektral maksimum 7,4 bit per detik per hertz untuk 256 kiam.
Langkah 3: Derau, path loss & Shannon
Fungsi draw RB menghitung draw thermal. Minus 174 dBm per hertz ditambah 10 lok lebar pita ditambah noise figure. Fungsi pass loss memakai model 3GP PTR 38901 urban makro tanpa garis pandang, dan fungsi laju RB menghitung throughput dari kapasitas Xenon, dibatasi efisiensi spektral 256 kiam. Buat file uji underscore konsep.py dan jalankan.
Langkah 4: SNR & throughput terhadap jarak
10 resource blok selebar 3,6 MHz, dengan draw minus 109,4 dBm per RB. Pada jarak 50 meter SNR 48,6 dB, di 150 meter 30 dB, keduanya sudah mencapai batas 2,66 Mbit per detik per RB. Di 300 meter tinggal 2,19, dan di 500 meter 1,2 Mbit per detik. Menariknya, di 300 meter, memotong daya setengahnya hanya menurunkan throughput 16%. Mari lihat grafiknya.
Langkah 5: Batas 256-0AM & grid sumber daya
SNR turun tajam terhadap jarak. Pada grafik throughput, kurva datar di awal adalah batas 256 kiam. User dekat sudah jenuh, sehingga daya 50 atau 25% pun menghasilkan kecepatan yang sama. Inilah peluang hemat energi yang nanti dipelajari agen The QN. Grafik kanan mengilustrasikan grid sumber daya. Setiap kotak adalah satu resource blok dalam satu slot, dan warnanya user yang dilayani.
Selesai!
Selesai. Kita sudah memahami resource blok, slot, daya pancar, draw, pass loss, dan kapasitas CNN pada 5GNR. Di episode berikutnya kita membangun simulator jaringan seluler lengkap dengan fading, interferensi, dan SINR. Sedang menyusun skripsi, tesis, atau riset di bidang telekomunikasi dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi riset jaringan seluler, dari simulator 5G, model kanal dan SINR, penjadwal proporsional fair dan waterfilling, sampai di pre-inforcement learning dengan PyTorch, serta membuka kursus pemrograman Python untuk teknik elektro dan telekomunikasi. Ingin menguasai seluruh seri ini, dari konsep resource blok sampai evaluasi efisiensi energi agen The QN? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdas inovasi digital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.277 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
