沒有ca載波聚合的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

多載波功率強制截斷演算法應用於5G最新混合式波束成形巨量陣列天線多輸入多輸出系統

為了解決沒有ca載波聚合的問題，作者許沛賢 這樣論述：

隨著科技快速發展，手持式行動裝置在21世紀日漸普及化，人們開始大量使用影音娛樂應用程式，甚至往虛擬實境發展，也因此對於高畫質、立即性、雲端存取技術需求急遽增加，資料傳輸需求也呈指數函數成長，使得近年第四代無線通訊面臨供不應求狀況。為了解決不足問題，世界各國往第五代無線通訊方向研究發展。為了達到第五代無線通訊所要求的高通道容量目標，有提出不同技術，包括巨量陣列天線多輸入多輸出系統、毫米波段、微型基地台、波束成形技術以及載波聚合技術等。在毫米波頻段雖有大頻寬可使用，但每個頻段彼此間距很大，如果以傳統觀念單一頻段配置一套系統，將導致成本過多等問題，在未來5G上的使用勢必造成一個沉重的成本負擔。因此

本文提出結合載波聚合技術與巨量陣列天線多輸入多輸出系統架構。為了驗證此想法，本文以MATLAB®軟體程式模擬實際收發訊號過程並以通道容量值呈現數據，同時改良、推導出可用於雙載波、多載波沒有相位延遲補償演算法，可在同組系統同時傳送多高頻載波訊號服務不同使用者，進而增加高傳輸率與通道容量目的。然而在多頻段共用同組系統時有衍生出空間相關性與移相器相位延遲等問題需克服，因此本文針對相位延遲去做補償而推導新的雙載波、多載波相位延遲補償演算法。而研究結果顯示與獨立系統相比較下，雖然在整合系統會犧牲些許總通道容量值，但在基地台架構上有大幅減少成本以及功率的優勢，形成容量值與成本有取捨關係。最後本文提出將混合

式波束成形部份連接架構分線天線擺放的未來計畫，來改善基地台邊緣地區因路徑損耗過大造成訊號品質差等問題，增加系統傳輸效率。

與Wi-Fi公平有效共存於免執照頻段之LAA 多工接取層自適應參數設定研究

為了解決沒有ca載波聚合的問題，作者方敬勻 這樣論述：

為了處理LTE無線網路快速增加的資料流量，3GPP提出了Licensed Assisted Access (LAA) 技術使用載波聚合(Carrier Aggregation)技術來整合執照頻譜(licensed band)以及 5GHz 免執照頻譜(unlicensed band)頻譜資源，增加可用頻譜以及系統容量。然而使用免執照頻譜時，LTE-LAA將無可避免的與免執照頻譜的大宗Wi-Fi產生共存問題。LTE-LAA與Wi-Fi採用先聽後說Listen-Before-Talk機制來接取頻譜資源，Listen-Before-Talk (LBT)機制會在傳輸前會依照Contention wi

ndow(CW)和back-off stage(m)設定等待數個時間幀(time slot)來分享頻譜資源。然而，LTE-LAA除了LBT外還有獨特的CCA機制，如果通到空閒CCA 時間則LTE-LAA會直接開始傳輸。除此之外，LTE-LAA是中央式管理且有執照頻譜來協調免執照頻譜。因此，LTE-LAA比Wi-Fi有更高的頻譜使用效率(spectrum efficiency)。然而，增加LTE-LAA的接取將會佔據Wi-Fi的頻譜資源造成不公平。如何客觀的訂定比例性公平(Proportional Fairness)指標並且在公平以及效率中取捨是我們在LAA與Wi-Fi共存網路中的核心問題。為了

調整共存網路中的公平以及效率關係，我們研究對3GPP在LAA接取機制中所訂定的三個參數 CCA, CW, m進行調整，來改變LAA在與Wi-Fi共存下的資源配置。為此，我們需要理解三個參數設定對公平及效率的影響來做合適的配置。然而，除了接取機制以外，LAA與Wi-Fi的流量(traffic load), 地理位置 以及偵測閥值(detect threshold)都會影響LAA及Wi-Fi的資源分配。在單一運營商擁有的LAA和Wi-Fi間，由於無法完全掌握共存網路中共存的所有裝置與通道的狀態，需要為LAA設計有適應環境調整參數設定的功能，以有效共存。在本研究當中，我們以3GPP TR36.889

所設定的LAA與Wi-Fi共存環境進行研究，考慮室內環境中，使用cat.4 LBT的LTE-LAA與Wi-Fi在5GHz免執照頻譜的下行接取情形。主要的研究問題以及相應的挑戰為:P1.如何基於LTE-LAA與Wi-Fi網路接取的比例公平(proportionally fair)及效率(efficiency)訂定合理的效能指標?C1.訂定除測量吞吐量(throughput)與理論傳輸速率(theoretic link data rate)外考慮流量的比例性公平指標及效能指標公平與效率間的取捨。P2.公平效率的效能指標與LAA 先聽後說(Listen before talk)機制參數(CCA, C

W, m)之間的關係為何?C2.LAA-LBT中CW, m以及新的CCA參數設定與網路效能間關係複雜，目前沒有可供快速、精確估計的數學模型。P3.如何適應(adapt)網路環境設定出最佳的LAA LBT參數(CCA, CW and m)?C3.設計可根據回報的網路效能指標找出最佳LAA LBT參數配置的演算法。在本篇研究當中，我們基於Jain’s fairness index設計我們的比例性公平標準,計算公平性時使用測量的吞吐量做為分子、取基站流量和理論傳輸速率的較小者最為分母，因此達到考慮真實基站流量需求和避免無效資源分配。而後將我們的比例公平指數及網路總吞吐量加權相加得到效能指標(Perf

ormance index) 。我們設定不同的效能指標權重對參數配置與效能指標的關係進行分析，讓其他研究者可以依照結果設置權重達到想要的公平和效率分配。為了得到參數設置與公平跟效率的關係，我們延伸Wi-Fi LBT 馬可夫鍊(Markov-Chain)模型，加入CCA機制相關的狀態(state)及狀態轉換流程(transition flow)發展出LAA與Wi-Fi共存網路的數學模型。此模型可以快速的估算出網路效能並結得出參數與效能的關係，並得到CCA機制的特性，因此，我們借由此模型設計了依序輸入CCA, CW, m進行分析得到最佳參數的數值(numerical)最佳化方法。但是此模型主要用於

LBT機制的分析，在進行真實網路模擬時發現效能也會被LBT外因子影響，所以，我們基於reinforcement learning原理設計了我們的LAA LBT參數適應演算法(Adaptive LAA LBT Parameters Algorithm)，此演算法可以藉由目前環境回報的效能指數對LTE-LAA LBT參數進行動態的調整，從而在複雜環境中找到最佳配置。即使環境發生改變，此演算法也可以持續的對參數進行動態修正。最後，我們在現有LTE-LAA 協定上(protocol)加入參數最佳化模組。我們開發了Wi-Fi與LAA共存網路的模擬器進行模擬，同時將我們的參數最佳化模組設計實做於模擬平台，

進行概念驗證與效能評估。結果顯示當使用數值最佳化方法於狹小室內時，在最佳化效率時可以達到10%的網路總吞吐量改善，而在最佳化公平性時則都可以得到0.95以上的公平指數。而使用適應(adaptive)最佳化於寬闊的室內時，可以在不影響系統公平性的狀況下提升20%的網路總吞吐量，同時在最佳化公平性時也可較標準配置得到0.1-0.2的公平指標改善。