爱立信与中国联通成功完成国内首个LTE三载波聚合大规模部署测试

简介:

近日,爱立信与中国联通网络技术研究院、联通四川省公司、联通成都市分公司、Qualcomm Incorporated子公司Qualcomm Technologies, Inc.合作成功实现了国内首个三载波聚合大规模部署和运行测试,下行单用户峰值速率达到375Mbps。该项目充分验证了载波聚合大规模外场组网能力,进一步明确了LTE网络演进路线。

2016年中国联通网络技术研究院启动“中国联通LTE三载波聚合新技术试验”项目,为支持该项目的实施,爱立信与四川联通成都分公司在城南高新区进行现网连续三载波聚合试点,作为首个推出三载波聚合商用处理器的芯片供应商,Qualcomm Technologies为此次试验项目提供了基于其最新集成X12 LTE的Qualcomm?骁龙TM820处理器的测试终端。

本次试点将25个基站作为测试目标区域,4月12日,全部25个测试宏基站开通,次日凌晨开启外场测试,下行单用户峰值速率达到375Mbps,平均速率达到373.7Mbps,下行单用户路测平均速率达到255Mbps。

与此同时,基于本地市场需求,爱立信利用创新的点系统,在“中国联通四川天府信息中心”成功实现三载波聚合,这是国内首个基于点系统的三载波聚合,在丰富技术试验的同时,为联通重点楼宇室内三载波聚合部署提供了创新解决方案。

中国联通网研院高级专家李福昌博士表示:“载波聚合尤其是三载波聚合的应用,对中国联通实施聚焦战略、提升价值区域用户体验乃至未来移动视频大规模应用都有重大意义。中国联通非常高兴与爱立信合作实施大规模三载波聚合测试,进而通过相关测试结论进一步明确LTE网络的演进路线,并为中国联通下一步大规模现网部署三载波聚合技术提供了实践经验。”

Qualcomm Technologies 销售和产品市场副总裁颜辰巍表示:“Qualcomm Technologies一直是载波聚合技术和4G+全球增长的驱动力。LTE Advanced载波聚合技术能够帮助运营商最大限度地利用现有频谱,并充分满足消费者日益增长的数据业务需求。我们非常高兴与中国联通及爱立信展开合作,依托骁龙处理器进一步推动4G+在中国的发展,让更多的用户体验到中国联通4G+网络所带来的出色连接体验。”

爱立信东北亚区总裁柯瑞东(Chris Houghton)表示:“爱立信致力于帮助全球运营商客户提供卓越的LTE网络体验。我们非常荣幸与中国联通成功开展此次测试,作为中国联通重要的战略合作伙伴之一,爱立信希望通过领先的技术、专业知识以及全球规模助力中国联通4G聚焦战略的顺利发展, 打造4G精品网络。”

现今,爱立信的网络支撑着美国、中国、日本、韩国等所有高流量LTE市场。作为LTE市场的领导者,爱立信目前的网络承载着全球 40% 的 LTE 智能手机流量。爱立信已在全球交付了250多张 LTE无线接入和演进分组核心网,其中超过190张网络已投入商用。
本文转自d1net(转载)

相关文章
|
9月前
|
机器学习/深度学习 自然语言处理 API
阿里云零门槛、轻松部署您的专属 DeepSeek模型体验测试
DeepSeek R1是基于Transformer架构的先进大规模深度学习模型,2025年1月20日发布并开源,遵循MIT License。它在自然语言处理等任务上表现出色,高效提取特征,缩短训练时间。阿里云推出的满血版方案解决了服务器压力问题,提供100万免费token,云端部署降低成本,用户可快速启动体验。虽然回答速度有待提升,但整体表现优异,备受关注。
359 8
|
10月前
|
JavaScript NoSQL Java
基于SpringBoot+Vue实现的大学生体质测试管理系统设计与实现(系统源码+文档+数据库+部署)
面向大学生毕业选题、开题、任务书、程序设计开发、论文辅导提供一站式服务。主要服务:程序设计开发、代码修改、成品部署、支持定制、论文辅导,助力毕设!
|
10月前
|
Java 测试技术 应用服务中间件
Spring Boot 如何测试打包部署
本文介绍了 Spring Boot 项目的开发、调试、打包及投产上线的全流程。主要内容包括: 1. **单元测试**:通过添加 `spring-boot-starter-test` 包,使用 `@RunWith(SpringRunner.class)` 和 `@SpringBootTest` 注解进行测试类开发。 2. **集成测试**:支持热部署,通过添加 `spring-boot-devtools` 实现代码修改后自动重启。 3. **投产上线**:提供两种部署方案,一是打包成 jar 包直接运行,二是打包成 war 包部署到 Tomcat 服务器。
285 10
|
机器学习/深度学习 监控 计算机视觉
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
本文介绍了如何使用YOLOv7进行目标检测,包括环境搭建、数据集准备、模型训练、验证、测试以及常见错误的解决方法。YOLOv7以其高效性能和准确率在目标检测领域受到关注,适用于自动驾驶、安防监控等场景。文中提供了源码和论文链接,以及详细的步骤说明,适合深度学习实践者参考。
3286 1
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
敏捷开发 Devops 测试技术
自动化测试中的持续集成与持续部署
在现代软件开发实践中,自动化测试是确保软件质量和快速迭代的关键。本文将探讨自动化测试如何与持续集成(CI)和持续部署(CD)流程相结合,以提高开发效率和软件质量。我们将分析CI/CD管道中自动化测试的最佳实践,以及如何克服实施过程中的挑战。
200 6
|
编解码 人工智能 自然语言处理
迈向多语言医疗大模型:大规模预训练语料、开源模型与全面基准测试
【10月更文挑战第23天】Oryx 是一种新型多模态架构,能够灵活处理各种分辨率的图像和视频数据,无需标准化。其核心创新包括任意分辨率编码和动态压缩器模块,适用于从微小图标到长时间视频的多种应用场景。Oryx 在长上下文检索和空间感知数据方面表现出色,并且已开源,为多模态研究提供了强大工具。然而,选择合适的分辨率和压缩率仍需谨慎,以平衡处理效率和识别精度。论文地址:https://www.nature.com/articles/s41467-024-52417-z
185 2
|
缓存 自然语言处理 并行计算
基于NVIDIA A30 加速卡推理部署通义千问-72B-Chat测试过程
本文介绍了基于阿里云通义千问72B大模型(Qwen-72B-Chat)的性能基准测试,包括测试环境准备、模型部署、API测试等内容。测试环境配置为32核128G内存的ECS云主机,配备8块NVIDIA A30 GPU加速卡。软件环境包括Ubuntu 22.04、CUDA 12.4.0、PyTorch 2.4.0等。详细介绍了模型下载、部署命令及常见问题解决方法,并展示了API测试结果和性能分析。
4511 1
|
机器学习/深度学习 并行计算 数据可视化
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务,包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
969 0
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
|
机器学习/深度学习 数据采集 算法
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
这篇博客文章介绍了如何使用包含多个网络和多种训练策略的框架来完成多目标分类任务,涵盖了从数据准备到训练、测试和部署的完整流程,并提供了相关代码和配置文件。
476 0
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
|
机器学习/深度学习 XML 并行计算
目标检测实战(七): 使用YOLOX完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用YOLOX完成图像目标检测任务的完整流程,包括数据准备、模型训练、验证和测试。
1272 0
目标检测实战(七): 使用YOLOX完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)