射频

本篇用以记录RF的变量的使用 Ŀ¼ 1、简要介绍 2、使用关键字添加变量 3、使用菜单添加变量 1、简要介绍 RF可以通过菜单和关键字来添加变量，可以根据自己的需求来选择添加变量的方式 2、使用关键字添加变量 我们可以通过set关键字来添加变量。RF添加变量的关键字有以下几种： #1、添加普通变量 ${m} Set Variable 2 log m #2、添加全局变量，这种我们一般可以用于将token设置为全局的 ${n1} Set Global Variable 1 #3、在File Suite内都有效 ${n2} Set Suite Variable 2 #3、在File Suite内都有效 ${n3} Set Test Variable 3 　　 3、使用菜单添加变量 点击New Scalar即可添加普通变量，点击New List Variable可以添加列表变量 这种方式挺添加变量，我们可以给一个固定的值，也可以只做一个初始化 第一种：给一个固定的值 第二种： 给一个空值，然后后面再更新 注：RF有一些系统保留常量${/} ${:} ${EMPTY} ${False} ${None} ${null} ${SPACE} ${True}，在编辑状态使用ctrl+空格即可看到他们的用法

setup执行顺序是：project级别setup>suite级别setup>case级别setup Run Keywords | [KW1 | arg1 | arg2...] | AND | [KW2 | arg1 | arg2...] 只能再次封装，并设置变量作用域为Test或Suite. Set Global Variable――设定全局级变量 Set Suite Variable――设定suite级变量 Set Test Variable――设定case级变量 转载请标明出处: RF Setup和Teardown的使用 文章来源: RF Setup和Teardown的使用

1、分别执行一下命令 sudo rm / usr / local / mysql sudo rm - rf / usr / local / mysql * sudo rm - rf / Library / StartupItems / MySQLCOM sudo rm - rf / Library / PreferencePanes / My * rm - rf ~ /Library/ PreferencePanes / My * sudo rm - rf / Library / Receipts / mysql * sudo rm - rf / Library / Receipts / MySQL * sudo rm - rf / var / db / receipts / com . mysql .* 如果【偏好设置】没有mysql标志，说明卸载成功 注意确认以下两个目录是否有其他My开头的文件，小心误删 /Library/ PreferencePanes / My * 和 / Library / PreferencePanes / My * 来源：博客园 作者： Mr.Tony 链接：https://www.cnblogs.com/tonyzt/p/11674573.html

1、分别执行一下命令 sudo rm /usr/local/mysql sudo rm -rf /usr/local/mysql* sudo rm -rf /Library/StartupItems/MySQLCOM sudo rm -rf /Library/PreferencePanes/My* rm -rf ~/Library/PreferencePanes/My* sudo rm -rf /Library/Receipts/mysql* sudo rm -rf /Library/Receipts/MySQL* sudo rm -rf /var/db/receipts/com.mysql.* 如果【偏好设置】没有mysql标志，说明卸载成功 注意确认以下两个目录是否有其他My开头的文件，小心误删 /Library/PreferencePanes/My* 和 /Library/PreferencePanes/My* 来源： https://www.cnblogs.com/tonyzt/p/11674573.html

论文关键字：Intel，NR，Bandwidth Part， SCS， Channel Bandwidth， UE， RF Capability 论文链接：https://arxiv.org/ftp/arxiv/papers/1712/1712.09724.pdf 部分内容笔记： III. 射频能力受限的终端 问题场景： NR定义的CBW（Channel Bandwidth，通道带宽）很宽，因此，就有必要考虑那些射频能力有限的终端应该如何来处理？这些终端可能无法覆盖网络侧所定义的宽带载波（a wideband carrier）。 特别是在NR的早期阶段，UE的射频能力还不算高的情况下，换言之UE也会随着NR的部署的推进而不断增强能力。 进一步举例说明问题场景： 如图-1所示，如Case-A所示，这些终端可以在一条射频链路上覆盖整个宽的CBW；如Case-B所示，多个终端的射频链路才能够覆盖整个宽的CBW。 换言之，NR系统需要支持具有不同射频能力的终端在相同网络中共存的能力。 【TODO猜想：LTE中如果是一个20M的载波，是不是有系统消息会通知UE，让它在配置信息的时候，必然配置成20M带宽？--- 在粗略阅读其他3GPP规范的时候，得到的答案是肯定的，有相应的RRC的消息IE能够承载该信息。后续再写一篇针对BW相关的信令交互的研究笔记。】 备选解决方案： 备选-1

发信机： 无线电波的发信机主要由发信源、功率放大器和频率源3大部分组成。发信源（或者叫做发信激励）的作用是调制；频率源是为了调制器和上变频器提供合乎频率要求的振动信号；功率放大器将发信源输入的信号放大到所需的功率电平，具有功率控制的功能。发信机最核心的功能就是提供一定频率、一定功率的无线电波，用以承载无线信号。制约发信机使用场景的最主要指标就是信号发射的频率范围和信号发射的功率范围。当然任何发信机都不是理想的射频器件，本身也会产生一些杂散辐射、交调干扰，或多或少影响着发信机的性能；衡量发信机性能是否优越的主要指标是一个发信机的杂散辐射水平和互调抑制能力，杂散辐射越小越好，互调抑制能力越强越好。 接收机： 无线电波是通过天线和馈线传到接收机上的，就好像人类的耳朵和外耳道接收声波信号一样。无线电波的接收机主要有滤波器、功率放大器（或低噪声功率放大器）、解调器组成。滤波和放大功能也是人类听觉系统所具有的功能，解调的功能类似于大脑对听到的声音进行理解的功能。决定接收机使用场景最重要的指标是接收机的接收带宽，及接收机工作时允许的动态频率范围。噪声系数和灵敏度用于描述接收机对微弱信号的接收能力，是衡量接收机性能是否优越的两个重要指标。 滤波器： 滤波器是对特定频率的无线信号有选择和消除作用的射频器件，让有用信号尽可能无衰减的通过，对无用信号尽可能的进行衰减。 来源： https://www

rm -rf ln_dir , 而不是 rm -rf ln_dir/ 来源： https://www.cnblogs.com/edhg/p/11590272.html

1、辐射发射测试 测试电子、电气和机电设备及其组件的辐射发射，包括来自所有组件、电缆及连线上的辐射发射，用来鉴定其辐射是否符合标准的要求，一致在正常使用过程中影响同一环境中的其他设备。 2、传导骚扰测试 为了衡量设备从电源端口、信号端口向电网或信号网络传输的骚扰。 3、静电放电抗扰度测试 测试单个设备或系统的抗静电放电干扰能力，它模拟：操作人员或物体在接触设备时的放电；人或物体对临近物体的放电。静电放电可能产生一下后果：直接通过能量交换引起半导体器件的损坏、放电所引起的电场磁场变化，造成设备的误动作。放电的噪声电流导致器件的误动作。 4、射频辐射电磁场的抗扰度测试 对设备的干扰往往是设备操作、维修和安全检查人员在使用移动电话时所产生的，无线电台、电视发射台、移动无线电发射机和各种工业电磁辐射源，以及电焊机、晶闸管整流器、荧光灯工作时产生的寄生辐射，都会产生射频辐射干扰。测试的目的时建立一个共同的标准来评价电子设备的抗射频辐射电磁场干扰能力。 5、快速瞬变脉冲群的抗扰度测试 电路中机械开关对电感性负载的切换，通常会对同一电路中的其他电气和电子设备产生干扰。测试的机理是利用群脉冲产生的共模电流流过线路时，对线路分布电容能量的积累效应，当能量积累到一定程度时就可能引起线路（乃至设备）工作出错。通常测试设备一旦出错，就会连续不断的出错，即使把脉冲电压稍稍降低，出错情况依然不断的现象加以解释

aa 来源： https://www.cnblogs.com/liming19680104/p/11577035.html

随机森林的一般步骤： 对原始数据集进行可放回随机抽样成K组子数据集 从样本的N个特征随机抽样m个特征 对每个子数据集构建最优学习模型 对于新的输入数据，根据K个最优学习模型，得到最终结果 采用bagging的方法可以降低方差，但不能降低偏差 公式法分析bagging法模型的方差问题： 假设子数据集变量的方差为，两两变量之间的相关性为 所以，bagging法的方差： 由（4）式可得，bagging法的方差减小了 结论：bagging法的模型偏差与子模型的偏差接近，方差较子模型的方差减小。所以，随机森林的主要作用是降低模型的复杂度，解决模型的过拟合问题。 随机森林是指利用多棵决策树对样本进行训练并预测的一种算法。也就是说随机森林算法是一个包含多个决策树的算法，其输出的类别是由个别决策树输出的类别的众树来决定的。在Sklearn模块库中，与随机森林算法相关的函数都位于集成算法模块ensemble中，相关的算法函数包括随机森林算法（RandomForestClassifier）、袋装算法（BaggingClassifier）、完全随机树算法（ExtraTreesClassifier)、迭代算法（Adaboost）、GBT梯度Boosting树算法（GradientBoostingClassifier）、梯度回归算法（GradientBoostingRegressor）、投票算法