计算机网络——物理层相关习题(计算机专业考研全国统考历年真题)

本文涉及的产品
全局流量管理 GTM,标准版 1个月
云解析 DNS,旗舰版 1个月
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
简介: 计算机网络——物理层相关习题(计算机专业考研全国统考历年真题)

物理层的协议众多,这是因为物理层的连接方式比较多,物理层下面的传输媒体也比较多。


因此在学习物理层时,我们应将重点放在物理层的基本概念上,而不是局限于某一个具体的物理层协议。下面我们所做的练习就是与物理层相关的基本概念问题。


2012-34

原题

在物理层接口特性中,用于描述完成每种功能的时间发生顺序的是:

A.机械特性        B.功能特性        C.过程特性        D.电气特性

答案


C.过程特性


解析

在之前的物理层的基本概念的时候,我们介绍过物理层要解决的主要问题。物理层考虑的是

怎样才能在连接各种计算机的传输媒体上传输数据比特流。

物理层为数据链路层屏蔽了各种传输媒体的差异,使数据链路层只需要考虑如何完成本层的协议和服务,而不必考虑网络具体的传输媒体是什么。

物理层协议的主要任务就是确定与传输媒体的接口有关的一些特性,它们是:

  • 机械特性
  • 电气特性
  • 功能特性
  • 过程特性

机械特性:指明接口所用接线器的形状尺寸引脚数目排列固定锁定装置

电气特性:指明在接口电缆的各条线上出现的电压的范围

功能特性:指明某条线上出现的某一电平的电压表示何种意义

过程特性:指明对于不同功能的各种可能事件的出现顺序

2018-34

原题

下列选项中,不属于物理层接口规范定义范畴的是:

A.接口形状        B.引脚功能        C.物理地址        D.信号电平

答案


C.物理地址

解析

选项A中的接口形状属于机械特性,选项B中的引脚功能属于功能特性,选项D中的信号电平属于电气特性,而选项C中的物理地址,尽管它的名称中有物理二字,但它不属于物理层接口规范的定义范畴,而是属于数据链路层的范畴,又称为硬件地址或Mac地址。


为了避免概念混淆,建议大家平时使用Mac地址这个名词,而不使用物理地址这个名词。

2009/2011-34

原题

【2009】在无噪声情况下,若某通信链路的带宽为3kHz,采用4个相位,每个相位具有4种振幅的QAM调制技术,则该通信链路的最大数据传输速率是:


A.12kbps        B.24kbps        C.48kbps        D.96kbps

【2011】若某通信链路的数据传输速率为2400bps,采用4相位调制,则该链路的波特率是:


A.600波特        B.1200波特        C.4800波特        D.9600波特


答案

2009:B.24kbps


2011:B.1200波特

解析

这两道题都是考察有关奈氏准则的问题,奈氏准则给出了理想低通信道的最高码元传输速率为2W

波特也就是2W码元 / 秒;理想带通信道的最高码元传输速率为W波特也就是W码元 / 秒。


不管题目中给出的是多么牛的或者我们根本就没听说过的调制方法,这都是在迷惑我们。


对于解题,我们只关心可以调制出不同基本波形的数量,也就是不同码元的数量。

需要说明的是:

如果题目没有特别指明信道是带通信道,也就是给出了信道频率的上下限,则信道属于低通信道。

2016-34

原题

若连接R2和R3链路的频率带宽为8kHz,信噪比为30dB,该链路实际数据传输速率约为理论最大数据传输速率的50%,则该链路的实际数据传输速率约是:


A.8kbps        B.20kbps        C.40kbps        D.80kbps


答案

C.40kbps

解析

考察有关香农公式的问题,香农公式给出了带宽受限且有高斯白噪声干扰的信道的极限信息传输速率。


只要大家理解并记住了相同公式,并且知道如何将以分贝为度量单位的信噪比转换为无量纲的比值,就可以顺利解答出这道题。


将题目所给的链路带宽8千赫兹,代入香农公式,信噪比30分贝转换为无量纲的比值后,也代入香农公式,就可以计算出理论最大数据传输速率,根据题意再乘以50%,就可以得出链路的实际数据传输速率。


即,


2014-35/2017-34

原题

【2014年 题35】下列因素中,不会影响信道数据传输速率的是:

A.信噪比        B.频率带宽        C.调制速度        D.信号传播速度

【2017年 题34】若信道在无噪声情况下的极限数据传输速率不小于信噪比为30dB条件下的极限数据传输速率,则信号状态数至少是:


A.4        B.8        C.16        D.32


答案

2014:D.信号传播速度


2017:D.32

解析

这两道题,考察奈氏准则和香农公式的综合应用,

2014年题35中的选项A和B是香农公式中的两个参数,它们当然会影响信道的数据传输速率。


而选项C,调制速度,就是码元传输速率。


由奈氏准则给出避免码间串扰的最高码元传输速率。码元可以携带一个或多个比特,因此码元传输速率可以转换为数据传输速率。


换句话说,调制速度(也就是码元传输速率)会影响信道的数据传输速率。


2017年的题34,可将题目中的无噪声情况下的极限数据传输速率用奈氏准则写出表达式;而将信噪比为30分贝条件下的极限数据传输速率用香农公式写出表达式,然后将这两个表达式列不等式,解出其中的信号状态数即可。

即,

信噪比为30dB,转换成无量纲的比值

解得:

这里的信号状态数,可以理解为我们之前常说的不同的基础波形或码元。

2013-34

原题

答案


A. 0011 0110

解析

题目中给出的10BaseT网卡使用的是曼彻斯特编码,然后根据曼彻斯特编码的特点来解题。


码元中间时刻的跳变既表示时钟,又表示数据。


正跳变表示1还是0,负跳变表示0还是1可以自行定义。例如可以假设正跳变表示1,负跳变表示0;然后写出所给信号波形所表示的比特串,如果没有符合的答案,则假设正跳变表示0,负跳变表示1。

然后,写出所给信号波形所表示的比特串,就可以选出正确答案。

2015-34

原题

答案


A.NRZ和曼彻斯特编码


解析

在之前的编码与调制那篇中,我们介绍过几种常用编码:


不归零编码NRZ,在整个码元时间内电平不发生变化,需要额外的传输线来传输时钟信号;


归零编码RZ在每个码元传输结束后信号都要归零,所以接收方只要在信号归零后进行采样即可,不需要单独的时钟信号;


曼彻斯特编码用码元中间时刻的跳变来表示时钟和数据,正跳变表示1还是0,负跳变表示0还是1可以自行定义;


差分曼彻斯特编码用码元中间时刻的跳变来表示时钟,用码元开始处电平是否发生变化表示数据,发生变化表示0,不发生变化表示1。


反向不归零编码NRZI 我们之前并未介绍过,我们给出该编码的相关描述:


反向不归零编码NRZI,在码元时间内不会出现零电平。若后一个码元时间内所持续的电平与前一个码元时间内所持续的电平不同(也称为电平反转)则表示0,若电平保持不变则表示1。


现在再来解答这道题就非常简单了。

首先划分出个码元,


编码1的特点是:


比特1和0对应不同的电平,在整个码元时间内电平不发生变化,这明显属于不归零编码。


编码2的特点是:


在每个码元的中间时刻电平发生跳变,对于本题正跳变表示比特0,负跳变表示比特1,这明显属于曼彻斯特编码。


有人可能会怀疑,编码2会不会是差分曼彻斯特编码呢?


差分曼彻斯特编码由码元开始处电平是否发生变化表示数据,发生变化表示0,不发生变化表示1。仔细检查编码2的波形,就会发现这一点是不符合的,因此编码2不是差分曼彻斯特编码。


END



目录
相关文章
|
3月前
|
机器学习/深度学习 算法 TensorFlow
动物识别系统Python+卷积神经网络算法+TensorFlow+人工智能+图像识别+计算机毕业设计项目
动物识别系统。本项目以Python作为主要编程语言,并基于TensorFlow搭建ResNet50卷积神经网络算法模型,通过收集4种常见的动物图像数据集(猫、狗、鸡、马)然后进行模型训练,得到一个识别精度较高的模型文件,然后保存为本地格式的H5格式文件。再基于Django开发Web网页端操作界面,实现用户上传一张动物图片,识别其名称。
119 1
动物识别系统Python+卷积神经网络算法+TensorFlow+人工智能+图像识别+计算机毕业设计项目
|
7天前
|
存储 监控 网络协议
一次读懂网络分层:应用层到物理层全解析
网络模型分为五层结构,从应用层到物理层逐层解析。应用层提供HTTP、SMTP、DNS等常见协议;传输层通过TCP和UDP确保数据可靠或高效传输;网络层利用IP和路由器实现跨网数据包路由;数据链路层通过MAC地址管理局域网设备;物理层负责比特流的物理传输。各层协同工作,使网络通信得以实现。
|
2月前
|
运维 监控 网络架构
|
1月前
|
算法 安全 NoSQL
2024重生之回溯数据结构与算法系列学习之顺序表习题精讲【无论是王道考研人还真爱粉都能包会的;不然别给我家鸽鸽丢脸好嘛?】
顺序表的定义和基本操作之插入;删除;按值查找;按位查找习题精讲等具体详解步骤以及举例说明
|
3月前
|
机器学习/深度学习 算法 TensorFlow
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
交通标志识别系统。本系统使用Python作为主要编程语言,在交通标志图像识别功能实现中,基于TensorFlow搭建卷积神经网络算法模型,通过对收集到的58种常见的交通标志图像作为数据集,进行迭代训练最后得到一个识别精度较高的模型文件,然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面,实现用户上传一张交通标志图片,识别其名称。
139 6
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
|
2月前
|
机器学习/深度学习 人工智能 算法
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
玉米病害识别系统,本系统使用Python作为主要开发语言,通过收集了8种常见的玉米叶部病害图片数据集('矮花叶病', '健康', '灰斑病一般', '灰斑病严重', '锈病一般', '锈病严重', '叶斑病一般', '叶斑病严重'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。再使用Django搭建Web网页操作平台,实现用户上传一张玉米病害图片识别其名称。
78 0
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
|
3月前
|
机器学习/深度学习 人工智能 算法
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
文本分类识别系统。本系统使用Python作为主要开发语言,首先收集了10种中文文本数据集("体育类", "财经类", "房产类", "家居类", "教育类", "科技类", "时尚类", "时政类", "游戏类", "娱乐类"),然后基于TensorFlow搭建CNN卷积神经网络算法模型。通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型,并保存为本地的h5格式。然后使用Django开发Web网页端操作界面,实现用户上传一段文本识别其所属的类别。
120 1
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
|
2月前
|
机器学习/深度学习 算法 数据建模
计算机前沿技术-人工智能算法-生成对抗网络-算法原理及应用实践
计算机前沿技术-人工智能算法-生成对抗网络-算法原理及应用实践
43 0
|
3月前
|
机器学习/深度学习 人工智能 算法
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台。果蔬识别系统,本系统使用Python作为主要开发语言,通过收集了12种常见的水果和蔬菜('土豆', '圣女果', '大白菜', '大葱', '梨', '胡萝卜', '芒果', '苹果', '西红柿', '韭菜', '香蕉', '黄瓜'),然后基于TensorFlow库搭建CNN卷积神经网络算法模型,然后对数据集进行训练,最后得到一个识别精度较高的算法模型,然后将其保存为h5格式的本地文件方便后期调用。再使用Django框架搭建Web网页平台操作界面,实现用户上传一张果蔬图片识别其名称。
70 0
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
|
4月前
|
机器学习/深度学习 人工智能 算法
【眼疾病识别】图像识别+深度学习技术+人工智能+卷积神经网络算法+计算机课设+Python+TensorFlow
眼疾识别系统,使用Python作为主要编程语言进行开发,基于深度学习等技术使用TensorFlow搭建ResNet50卷积神经网络算法,通过对眼疾图片4种数据集进行训练('白内障', '糖尿病性视网膜病变', '青光眼', '正常'),最终得到一个识别精确度较高的模型。然后使用Django框架开发Web网页端可视化操作界面,实现用户上传一张眼疾图片识别其名称。
102 9
【眼疾病识别】图像识别+深度学习技术+人工智能+卷积神经网络算法+计算机课设+Python+TensorFlow