《掌握AI + 6G無線行動通訊網路🌐》70/100 第 7 周:頻譜與無線資源管理 總結和測驗

更新 發佈閱讀 18 分鐘

《掌握AI + 6G無線行動通訊網路 —— 超高速、零延遲、智慧城市全攻略 🌐》

70/100 📌 第 7 周:頻譜與無線資源管理 - 分配頻率與時槽以提升容量和效率。

📘 第 7 章導讀:頻譜與無線資源管理(61–69)

________________________________________

第 7 週聚焦於行動網路中最核心、最昂貴、也最有限的資源──頻譜(Spectrum)。

頻譜就像無線通訊的「高速公路」,如何分配、共享與利用,決定了整個網路的容量與使用者體驗。

本章首先介紹頻譜的規劃與分配機制(📡 61–64),說明有牌照與無牌照頻段的特性,以及頻率再利用、干擾管理與動態頻譜共享(DSS)如何讓不同技術(如 LTE 與 5G)在同一頻段中和平共存。

接著進入功率與容量的技術層面(🔋 65–66),探討發射功率控制如何在清晰通訊與干擾之間取得平衡,並透過**載波聚合(CA)**將多頻段合併成更寬的通道,大幅提升資料速率。

在雙工模式比較(⏱ 67)中,學員將了解 FDD 與 TDD 的運作差異,以及為何 5G 高頻段普遍採用 TDD,以支撐高速率與低延遲需求。

最後兩節(💰 68–📈 69)延伸到產業層面,說明頻譜拍賣如何影響電信業者的成本與市場競爭,以及頻譜效率(bps/Hz)如何成為衡量技術進步與營運效益的關鍵指標。

✨ 學習目標:

透過本章,你將能掌握從「政府分配頻譜」到「基地台如何有效利用頻寬」的完整脈絡,

理解頻譜不僅是技術問題,更是策略、經濟與國家通訊競爭力的核心所在

________________________________________

📝 一、知識總結

📡 61. 頻譜規劃

🔹 有牌照:受管制、專屬使用 → 穩定、保障 QoS

🔹 無牌照:Wi-Fi、藍牙等 → 靈活但干擾大

________________________________________

📶 62. 頻率再利用

🔹 同一頻率在不同小區重複使用

🔹 善用空間隔離,提升容量

________________________________________

⚡ 63. 干擾管理

🔹 頻率重用帶來干擾 → 需 ICIC / eICIC / FeICIC、波束成形、功率控制

🔹 像「交通警察」維持秩序

________________________________________

🔄 64. DSS(動態頻譜共享)

🔹 LTE / 5G 共用同一頻段,動態分配資源

🔹 有效利用頻譜,助 5G 初期推廣

________________________________________

🔋 65. 功率控制

🔹 調整 UE / 基地台發射功率

🔹 目標:通訊清楚、省電、少干擾

🔹 模式:開迴路 / 閉迴路 / 快速控制

________________________________________

🚀 66. 載波聚合(CA)

🔹 多頻段合併,提升速率與容量

🔹 類型:Intra-band(同頻段) vs Inter-band(跨頻段)

________________________________________

⏱ 67. TDD vs FDD

🔹 FDD:上下行分頻(雙車道)

🔹 TDD:上下行分時(紅綠燈控制)

🔹 5G 高頻段多採 TDD

________________________________________

💰 68. 頻譜拍賣

🔹 政府用拍賣分配稀缺資源

🔹 模式:密封標 / 遞增 / SMRA

🔹 影響:政府收入、業者競爭、用戶資費

________________________________________

📈 69. 頻譜效率

🔹 定義:bps/Hz → 頻寬利用率

🔹 技術演進提升效率(2G < 3G < 4G < 5G)

🔹 關鍵:調變、MIMO、干擾管理

________________________________________

🎯 二、測驗題

🧩 單選題

1️⃣ 在「頻譜效率」中,若 20 MHz 頻寬平均效率為 5 bps/Hz,最大可傳輸速率為?

A. 20 Mbps B. 50 Mbps C. 100 Mbps D. 200 Mbps

👉 答案:D

📘 解析: 頻譜效率 × 頻寬 = 總速率 → 5 × 20 MHz = 100 Mbps。

________________________________________

2️⃣ TDD 與 FDD 最大差異為?

A. TDD 用不同頻段分開上下行

B. FDD 用時間分割上下行

C. TDD 上下行共頻,用時間切換

D. FDD 僅適用於 5G

👉 答案:C

📘 解析: FDD 是分「頻」,TDD 是分「時」。TDD 可靈活調整上下行比例。

________________________________________

3️⃣ 哪一種技術主要用來「把零碎頻譜拼起來」?

A. DSS B. 載波聚合(CA) C. 功率控制 D. 頻譜拍賣

👉 答案:B

📘 解析: 載波聚合可將分散的多段頻譜合併使用,提高速率與容量。

________________________________________

4️⃣ 下列哪一項屬於「動態共用頻譜」概念?

A. DSS B. FDD C. TDD D. CA

👉 答案:A

📘 解析: DSS(Dynamic Spectrum Sharing)讓 LTE 與 5G 共用同一頻段,動態分配資源。

________________________________________

5️⃣ 干擾管理(ICIC/eICIC/FeICIC)的主要目的為?

A. 增加上行功率

B. 協調鄰區干擾、穩定信號品質

C. 節省頻寬

D. 分配牌照頻譜

👉 答案:B

📘 解析: 干擾管理透過時序、頻率與功率協調來減少小區間的干擾。

________________________________________

問答題


1️⃣ 請比較 DSS 與頻譜再利用的差異。

👉 解析:

DSS(Dynamic Spectrum Sharing,動態頻譜共享)與頻譜再利用(Frequency Reuse)雖都強調「提高頻譜使用效率」,但概念與應用層面完全不同。

DSS 是針對不同世代的行動通訊技術(如 LTE 與 5G)在同一頻段上動態共存的一種機制。

它透過軟體演算法即時判斷哪一部分頻譜由 4G 使用、哪一部分分配給 5G,使營運商不必立即清空舊系統,就能快速推動 5G 服務。

✅ 關鍵詞:跨世代共頻、動態分配、平滑升級。

頻譜再利用 則是針對同一世代的網路系統(如 LTE 小區),在空間上重複使用相同頻率以增加容量。

只要基地台之間距離足夠遠,或透過干擾管理技術分隔,便能多次使用同一頻率而互不干擾。

✅ 關鍵詞:空間重複利用、提升容量、干擾管理。

簡言之:

DSS 是「跨世代在同一頻段共用」,

頻譜再利用是「同世代在不同地區重複使用」。

________________________________________

2️⃣ 為什麼 5G 高頻段多採 TDD,而低頻段偏向 FDD?

👉 解析:

5G 網路依頻段特性採取不同的雙工方式。

高頻段(如 3.5GHz、28GHz):頻譜連續、但難以找到上下行成對頻段。由於 5G 的下行需求(下載影音、雲端資料)遠高於上行,因此採用 TDD(時分雙工) 可靈活調整上下行比例,例如 8:2、7:3,以配合實際流量需求。此外,TDD 更能結合 Massive MIMO 與波束成形,提升整體頻譜效率。

低頻段(如 700MHz、900MHz):覆蓋範圍廣、穿透力強,常用於語音與廣域服務。這些頻段多具備成對頻譜,因此採用 FDD(頻分雙工) 可同時上下載、延遲低、穩定性高,特別適合行動電話與語音通信等連續傳輸服務。


📘 總結:

高頻段採 TDD,追求靈活與容量;

低頻段採 FDD,追求覆蓋與穩定。

這是 5G 頻譜規劃中「依頻段特性選擇最適雙工方式」的核心原則。

________________________________________

🛠 三、實務演練題

1️⃣ 頻譜經濟學思考

假設政府拍賣一段 100 MHz 頻譜,三大電信業者競標,請設計三種可能的分配結果,並分析:

誰拿得多,誰拿得少

對市場競爭有什麼影響

用戶資費會不會受到影響

2️⃣ 干擾管理實務

假設台北車站周邊部署 5G 小區密集,若用戶投訴網速下降,請提出干擾管理措施(如 eICIC、波束成形、功率控制)。

3️⃣ 頻譜效率提升

若平均效率僅 2 bps/Hz,請提出至少三種技術方法提升(調變、MIMO、干擾管理)。

________________________________________

📡 四、實作 —— 模擬頻譜分配方案

假設有 100 MHz 頻譜(3.5 GHz 頻段),要分配給三家電信業者(A、B、C)。

方案一:平均分配

A:33 MHz

B:33 MHz

C:34 MHz

👉 公平,但未考慮市場需求差異。


方案二:依市佔率分配

A(40% 市佔):40 MHz

B(35% 市佔):35 MHz

C(25% 市佔):25 MHz

👉 與用戶數匹配,但小業者競爭力可能不足。


方案三:混合模式(基礎保證 + 加價競標)

三家先各保底 20 MHz(確保基本覆蓋)

剩餘 40 MHz 用競標方式拍賣

👉 平衡公平性與市場競爭力。

________________________________________

📘 第7章:頻譜與無線資源管理(61–69)

───────────────────────────────────────

📡 頻譜 → 網路的「空中高速公路」

───────────────────────────────────────

┌──────────────────────────────────┐

│ 61. 頻譜規劃 │ 分牌照 / 無牌照 │

│ ↓ │ │

│ 68. 頻譜拍賣 │ 政府分配資源、定價 │

└──────────────────────────────────┘

───────────────────────────────────────

頻譜如何「重複利用」與「共用」

───────────────────────────────────────

┌──────────────────────────────────┐

│ 62. 頻率再利用 │ 同頻異地使用 → 提升容量 │

│ 64. DSS │ 不同世代共頻 → 4G+5G 共存 │

└──────────────────────────────────┘

───────────────────────────────────────

頻譜使用過程中 → 干擾與功率的控制

──────────────────────────────────────

┌──────────────────────────────────┐

│ 63. 干擾管理 │ ICIC / eICIC / FeICIC │

│ 65. 功率控制 │ 開 / 閉 / 快速控制模式 │

└──────────────────────────────────┘

───────────────────────────────────────

頻寬擴展與雙工設計

───────────────────────────────────────┌──────────────────────────────────┐

│ 66. 載波聚合 │ 拼接多段頻譜、加倍速率 │

│ 67. TDD vs FDD │ 分時 / 分頻雙工設計 │

└──────────────────────────────────┘

───────────────────────────────────────

📈 69. 頻譜效率:bps/Hz

───────────────────────────────────────

↑ 技術演進提升效率(2G→3G→4G→5G)

│ 關鍵:調變、MIMO、干擾管理

───────────────────────────────────────

📖 說明:

這張圖將整個「頻譜管理」的脈絡分成四個層次:

1️⃣ 頻譜分配層(61, 68):政府規劃與拍賣資源。

2️⃣ 利用層(62, 64):提升使用效率與共享策略。

3️⃣ 控制層(63, 65):降低干擾、維持信號品質。

4️⃣ 技術層(66–69):藉由聚合與雙工方式提升容量與效率。

───────────────────────────────────────

✅ 總結與啟示

頻譜是行動網路的「命脈」,管理得好才能高效運作。

61–69 單元核心:如何規劃、共享、控制與利用有限頻譜。

實務中,營運商需在 技術(效率、干擾) 與 經濟(拍賣、資費) 之間做平衡。

👉 一句話總結:頻譜管理就是「有限資源最大化利用」的藝術,考驗政府規劃與營運商的技術智慧!



留言
avatar-img
艾韓思 AIHANS|AI 應用工程筆記
35會員
673內容數
AIHANS沙龍是一個結合AI技術實戰、產業策略與自我成長的知識平台,主題涵蓋機器學習、生成式AI、創業經驗、財務規劃及哲學思辨。這裡不只提供系統化學習資源與實作案例,更強調理性思維與行動力的結合。無論你是AI初學者、創業者,還是追求人生升維的行者,都能在這裡找到前進的方向與志同道合的夥伴。
2025/11/11
頻譜效率以bps/Hz衡量頻寬利用率,代表單位頻譜能傳輸的資料量。受調變、MIMO、干擾與編碼影響,是2G至5G技術進步的核心指標,決定網速與容量高低。
2025/11/11
頻譜效率以bps/Hz衡量頻寬利用率,代表單位頻譜能傳輸的資料量。受調變、MIMO、干擾與編碼影響,是2G至5G技術進步的核心指標,決定網速與容量高低。
2025/11/11
頻譜拍賣是政府以市場機制分配無線資源的制度,讓營運商競標取得頻譜使用權。兼顧公平與效率,但高價拍賣可能導致業者財務壓力並影響資費與產業發展。
2025/11/11
頻譜拍賣是政府以市場機制分配無線資源的制度,讓營運商競標取得頻譜使用權。兼顧公平與效率,但高價拍賣可能導致業者財務壓力並影響資費與產業發展。
2025/11/11
FDD以頻率區分上下行、延遲低但需成對頻譜;TDD以時間切換上下行、可靈活調整比例。5G高頻多採TDD以提升頻譜利用率並符合非對稱流量需求。
2025/11/11
FDD以頻率區分上下行、延遲低但需成對頻譜;TDD以時間切換上下行、可靈活調整比例。5G高頻多採TDD以提升頻譜利用率並符合非對稱流量需求。
看更多
你可能也想看
Thumbnail
vocus 慶祝推出 App,舉辦 2026 全站慶。推出精選內容與數位商品折扣,訂單免費與紅包抽獎、新註冊會員專屬活動、Boba Boost 贊助抽紅包,以及全站徵文,並邀請你一起來回顧過去的一年, vocus 與創作者共同留下了哪些精彩創作。
Thumbnail
vocus 慶祝推出 App,舉辦 2026 全站慶。推出精選內容與數位商品折扣,訂單免費與紅包抽獎、新註冊會員專屬活動、Boba Boost 贊助抽紅包,以及全站徵文,並邀請你一起來回顧過去的一年, vocus 與創作者共同留下了哪些精彩創作。
Thumbnail
隨著深度學習的發展,研究人員不斷地提出新的技術和模型架構來增強 (Enhance) CNN 的性能。這些增強方法可以從多個層面來提升 CNN 在圖像辨識、物件偵測等任務上的準確性、效率和魯棒性 (robustness)。
Thumbnail
隨著深度學習的發展,研究人員不斷地提出新的技術和模型架構來增強 (Enhance) CNN 的性能。這些增強方法可以從多個層面來提升 CNN 在圖像辨識、物件偵測等任務上的準確性、效率和魯棒性 (robustness)。
Thumbnail
卷積神經網路(CNN)是一種專門用於處理影像的 AI 模型,其運作方式類似於人類大腦觀察圖像的方式,層層分析提取特徵。主要包含卷積層、池化層和全連接層。卷積層使用濾鏡提取局部特徵;池化層精簡數據並提升模型穩健性;全連接層進行最終分類。CNN 廣泛應用於影像辨識、自動駕駛和醫療影像分析等領域。
Thumbnail
卷積神經網路(CNN)是一種專門用於處理影像的 AI 模型,其運作方式類似於人類大腦觀察圖像的方式,層層分析提取特徵。主要包含卷積層、池化層和全連接層。卷積層使用濾鏡提取局部特徵;池化層精簡數據並提升模型穩健性;全連接層進行最終分類。CNN 廣泛應用於影像辨識、自動駕駛和醫療影像分析等領域。
Thumbnail
很常聽到深度學習,但到底是在學些什麼?今天來跟我一起學習一個重要的概念: 多層感知機(MLP, Multi-Layer Perceptron)是最基礎的神經網路之一。它雖然簡單,卻是許多進階模型的基礎,例如 CNN(卷積神經網路) 和 Transformer(變換器)(某論文),用於處理自然語言模
Thumbnail
很常聽到深度學習,但到底是在學些什麼?今天來跟我一起學習一個重要的概念: 多層感知機(MLP, Multi-Layer Perceptron)是最基礎的神經網路之一。它雖然簡單,卻是許多進階模型的基礎,例如 CNN(卷積神經網路) 和 Transformer(變換器)(某論文),用於處理自然語言模
Thumbnail
長短期記憶(英語:Long Short-Term Memory,LSTM)是一種時間循環神經網路(RNN),論文首次發表於1997年。 LSTM(長短期記憶)是一種特定類型的遞歸神經網絡(RNN),在許多需要處理時間序列數據或順序數據的應用中非常有用。 以下是一些常見的 LSTM 應用:
Thumbnail
長短期記憶(英語:Long Short-Term Memory,LSTM)是一種時間循環神經網路(RNN),論文首次發表於1997年。 LSTM(長短期記憶)是一種特定類型的遞歸神經網絡(RNN),在許多需要處理時間序列數據或順序數據的應用中非常有用。 以下是一些常見的 LSTM 應用:
Thumbnail
M-P神經元模型 1943年,沃倫·麥卡洛克(Warren McCulloch)和沃爾特·皮茨(Walter Pitts)提出了歷史上第一個用於模擬生物神經元功能的數學模型,這便是M-P神經元模型。這一模型的提出,標誌著神經科學和計算理論領域的一個重要里程碑。 麥卡洛克是一位神經生理學家和精神病
Thumbnail
M-P神經元模型 1943年,沃倫·麥卡洛克(Warren McCulloch)和沃爾特·皮茨(Walter Pitts)提出了歷史上第一個用於模擬生物神經元功能的數學模型,這便是M-P神經元模型。這一模型的提出,標誌著神經科學和計算理論領域的一個重要里程碑。 麥卡洛克是一位神經生理學家和精神病
Thumbnail
streamlit與github連動程式庫,呈現即時預測手寫英文字母 整理了一下,先前學的機器學習利用Colab來訓練出能辨識手寫A~Z英文字母的模型,使用的模型是CNN(Convolutional Neural Network,CNN)模型 訓練好的模型,當然是要拿來應用,成果呈現
Thumbnail
streamlit與github連動程式庫,呈現即時預測手寫英文字母 整理了一下,先前學的機器學習利用Colab來訓練出能辨識手寫A~Z英文字母的模型,使用的模型是CNN(Convolutional Neural Network,CNN)模型 訓練好的模型,當然是要拿來應用,成果呈現
Thumbnail
這篇論文是用來交易ETF,利用cnn神經網路去預測買點跟賣點由於CNN吃的是圖片輸入更精確來說是一個二維矩陣輸入因此論文作者將ETF的開高低收去計算出15種技術指標乘上15天剛好就可以作成15X15的矩陣(當作圖片)餵給CNN模型當作輸入
Thumbnail
這篇論文是用來交易ETF,利用cnn神經網路去預測買點跟賣點由於CNN吃的是圖片輸入更精確來說是一個二維矩陣輸入因此論文作者將ETF的開高低收去計算出15種技術指標乘上15天剛好就可以作成15X15的矩陣(當作圖片)餵給CNN模型當作輸入
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News