CN119522590A 用于调度物联网设备的装置和方法 (华为技术有限公司)_第1页
CN119522590A 用于调度物联网设备的装置和方法 (华为技术有限公司)_第2页
CN119522590A 用于调度物联网设备的装置和方法 (华为技术有限公司)_第3页
CN119522590A 用于调度物联网设备的装置和方法 (华为技术有限公司)_第4页
CN119522590A 用于调度物联网设备的装置和方法 (华为技术有限公司)_第5页
已阅读5页,还剩125页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

2025.01.07PCT/CN2022/1103512022.08.04WO2024/026783EN2024.02.08基于比例公平性的调度器不适用于高熵多在多大程度上成功地向网络发送用于所述下游2从候选设备集合中选择第一多个设备以调度用于上行传输,所述选择发送用于所述第一多个设备的调度信息,用于所述第一2.根据权利要求1所述的方法,其特征在于,通过针对所述第一多个设备中的每个设从所述候选设备集合中选择第二多个设备以调度用于上行传输,所述选发送用于所述第二多个设备的调度信息,用于所述第二5.根据权利要求1至3中任一项所述的方法数据作为ML模块输入和用于所述第一下游任务的一个或多个参数作为ML模块输出进行训6.根据权利要求5所述的方法,其特征在个层配置为解码器,以利用来自所述第一层的所述K个输出作为所述解码器的输入来执行动编码器的最后一层到所述自动编码器的第一层的随机梯度下降(SGD)反向传播,以满足39.根据权利要求6至8中任一项所述的方法,其特征在所述自动编码器的第一层中的权重,使得对于所述自动编码器的第一层中的所述K个神经的Kmin在针对所述第一下游任务训练所述自动编码器期间识别,并且指示所述第一层中神基于在所述自动编码器的第一层中所述候选设备被选择的次数,其中,分组到所述主要组中的候选设备在所述自动编码器选择所述第一多个设备以调度用于上行传输包括选择所述主要组发送用于所述第一多个设备的上行调度信息包括发送用于所述主要组的设备的主要根据所述主要上行调度信息从所述主要组的设备中的设备接将从所述主要组的设备接收的所述上行传输用作训练后解码器的输入以执行所述第4基于将从所述主要组的设备接收的所述上行传输用作所述训练后解码器的输入的所基于所述一个或多个置信度指标确定是否发送用于所述次要组的设备的次要上行调标指示将从所述主要组的设备接收的所述上行传输用作所述训练后解码器的输入的所述个置信度指标指示将从所述主要组的设备接收的所述上行传输用作所述训练后解码器的输入的所述第一下游任务的解码的结果具有不足的置发送用于所述次要组的设备的次要上行调度信息,所要组的设备中的每个设备指示分配给所述设备根据所述次要上行调度信息从所述次要组的设备中的设备接将从所述主要组的设备接收的所述上行传输和从所述次要组的设备接收的所述上行从候选设备集合中选择第一多个设备以调度用于上行传输,所述选择发送用于所述第一多个设备的调度信息,用于所述第一5令还包括当被执行时使所述处理器执行以下操作的处从所述候选设备集合中选择第二多个设备以调度用于上行传输,所述选发送用于所述第二多个设备的调度信息,用于所述第二始测试数据作为ML模块输入和用于所述第一下游任务的一个或多个参数作为ML模块输出29.根据权利要求28所述的网络设备,其个或多个层配置为解码器,以利用来自所述第一层的所述K个输出作为所述解码器的输入所述自动编码器的最后一层到所述自动编码器的第一层的随机梯度下降(SGD)反向传播,练极化所述自动编码器的第一层中的权重,使得对于所述自动编码器的第一层中的所述K6任务的Kmin在针对所述第一下游任务训练所述自动编码器期间识别,并且指示所述第一层务训练所述自动编码器期间确定所述第一下游标基于在所述自动编码器的第一层中所述候选设备被基于在所述自动编码器的第一层中所述候选设备被选择的次数,其中,分组到所述主要组中的候选设备在所述自动编码器选择所述第一多个设备以调度用于上行传输包括选择所述主要组发送用于所述第一多个设备的上行调度信息包括发送用于所述主要组的设备的主要根据所述主要上行调度信息从所述主要组的设备中的设备接将从所述主要组的设备接收的所述上行传输用作训练后解码器的输入以执行所述第基于将从所述主要组的设备接收的所述上行传输用作所述训练后解码器的输入的所基于所述一个或多个置信度指标确定是否发送用于所述次要组的设备的次要上行调度指标指示将从所述主要组的设备接收的所述上行传输用作所述训练后解码器的输入的7标指示将从所述主要组的设备接收的所述上行传输用作所述训练后解码器的输入的所述第一下游任务的解码的结果具有不足的置信发送用于所述次要组的设备的次要上行调度信息,所要组的设备中的每个设备指示分配给所述设备根据所述次要上行调度信息从所述次要组的设备中的设备接将从所述主要组的设备接收的所述上行传输和从所述次要设备组接收的所述上行传47.一种装置,其特征在于,包括用于执行根据权利要求18称为基站收发信台(basetransceiverstation,BTS)、Node_B、eNodeB、gNB、接入点[0004]5G新空口(New备以调度用于上行传输,所述选择所述第一多个设备基于每个设备的第一贡献度指标(contributivenessmetric)。每个设备的所述第一贡献度指标可以与所述无线通信网络大程度上成功地向所述网络发送用于所述第一下游任务的信息;以及ii)所述设备提供的9献度指标向所述设备分配上行无线资源,从而为所述第一多个设备分配所述上行无线资所述第一任务的贡献度较低的第一贡献度指标的设备分配更多的上行无设备能够在多大程度上成功地向所述网络发送用于所述第二下游任务的信息;以及ii)所多个设备发送指示为所述第二多个设备分配的上行无线资器学习模块的机器学习来学习的。例如,所述机器学习模块可以包括深度神经网络(deep全连接层包括K个神经元,所述K个神经元具有对应于N个候选设备的集合的N个输入和K个经过训练,所述自动编码器的所述第一层配置为从所述N个输入的集合中选择K个输入的N层可以配置为解码器,以利用来自所述第一层的所述K个输出作为所述解码器的输入来执述自动编码器的第一层的随机梯度下降(stochasticgradientdescent,SGD)反向传播,[0013]这是用于联合优化用于任务的设备的信息量指标及其与网络的信道连接的条件例如SGD的反向传播训练算法可以将任务(即训练目标)从最后一层传播到第一层,这意味[0014]在一些实施例中,所述自动编码器的训练极化所述自动编码器的第一层中的权述第一下游任务的Kmin在针对所述第一下游任务训练所述自动编码器期间识别,并且指示[0015]在一些实施例中,所述候选设备中的至少一个可以由所述第一层中的K个神经元的设备接收的上行传输可以用作训练后解码器的输入以执行所述第一下游任送用于所述次要组的设备的次要上行调度信息可以包括在确定所述一个或多个置信度指标指示将从所述主要组的设备接收的上行传输用作所述训练后解码器的输入的所述第一多个置信度指标指示将从所述主要组的设备接收的上行传输用作所述训练后解码器的输[0026]图3示出了电子设备(electronicdevice,ED)、地面发送接收点(terrestrialtransmitandreceivepoint,T_TRP)和非地面发送接收点(non[0035]图11A和图11B示出了在图9的IoT部署场景中可以被调度用于分类任务和检测任调度器的第一调度层和用作用于从调度层选择的设备接收的信息的融合器和处理器的多[0039]图15示出了根据一个实施例的当调度层的输出维度K大于给定任务的Kmin时可能[0040]图16示出了根据一个实施例的调度层的输出维度K远大于Kmin的场景和可以基于调度层选择每个贡献设备的次数来完成的贡献[0042]图18示出了根据一个实施例的贡献较小的设备充当经历较差信道条件的贡献较[0043]图19示出了根据一个实施例的784个传感器或设备以28x28阵列均匀地部署以观[0044]图20示出了根据一个实施例的大小为K的具体编码器和解码器的设置,所述解码器用于使用MNIST图像数据集作为输入数据来模[0047]图23示出根据一个实施例的对于编码器大小输出K的不同值的10类分类任务的模[0048]图24示出根据一个实施例的对于不同的擦除概率百分比,K=128/256的重构[0049]图25示出根据一个实施例的对于编码器大小输出K的不同值的重构任务的模拟准[0050]图26示出根据一个实施例的对于编码器大小输出K的不同值的检测任务的模拟准[0051]图27示出根据一个实施例的对于分类任务的编码器大小输出K的不同值和0%擦[0052]图28示出根据一个实施例的对于分类任务的编码器大小输出K的不同值和50%擦[0053]图29示出根据一个实施例的对于重构任务的编码器大小输出K的不同值和0%擦[0054]图30示出根据一个实施例的对于检测任务的编码器大小输出K的不同值和0%擦[0057]图33示出根据一个实施例的对于擦除百分比概率的不同值的10类分类任务在图31所示的非均匀擦除信道上的模拟准确率[0058]图34示出根据一个实施例的对于分类任务在图31所示的非均匀擦除信道上的编[0059]图35示出根据一个实施例的对于擦除百分比概率的不同值的重构任务在图31所示的非均匀擦除信道上的模拟准确率百分比与编[0060]图36示出根据一个实施例的对于重构任务在图31所示的非均匀擦除信道上的编[0061]图37示出根据一个实施例的在图31所示的非均匀擦除信道上K=32/128/256/512[0062]图38示出根据一个实施例的对于擦除百分比概率的不同值的检测任务在图31所示的非均匀擦除信道上的模拟准确率百分比与编[0063]图39示出根据一个实施例的对于检测任务在图31所示的非均匀擦除信道上的编[0064]图40示出根据一个实施例的10类分类任务在HARQ训练下的模拟准确率百分比与[0065]图41示出根据一个实施例的对于分类任务在HARQ训练下的编码器大小输出K的不[0066]图42示出根据一个实施例的重构任务在HARQ训练下的模拟准确率百分比与编码[0067]图43示出根据一个实施例的对于重构任务在HARQ训练下的编码器大小输出K的不[0068]图44示出根据一个实施例的检测任务在HARQ训练下的模拟准确率百分比与编码[0069]图45示出根据一个实施例的对于检测任务在HARQ训练下的编码器大小输出K的不系统100包括无线接入网120。无线接入网120可以是下一代(例如,第六代(sixth[0075]地面通信系统和非地面通信系统可被视为通信系统的子系统。在所示的示例通信系统100可以在空口190a和190b中实现一种或多种信道接入方法,例如,码分多址[0078]空口190c可以通过无线链路或简单的链路实现ED110d和一个或多个NT_TRP172组ED与一个或多个NT_TRP之间用于组播传(未示出)直接或间接通信,所述一个或多个其他RAN可以或可以不直接由核心网130服务,部ED可以包括用于使用不同的无线技术和/或协议通过不同的无线链路与不同的无线网络IP)、传输控制协议(TransmissionControlProtocol,TCP)、用户数据报协议(User可以称为):用户设备(userequipment/device,UE)、无线发送接收单元(wirelessSTA)、机器类通信(machinetypecommunication,MTC)设备、个人数字助理(personal[0082]ED110包括耦合到一个或多个天线204的发送器201和接收器203。仅示出了和/或用于处理通过无线或有线方式接收到的信号的任何合适的结构。每个天线204包括:用于发送和/或接收无线信号或有线信号的任何合并由处理单元210执行的软件指令或模块。每个存储器208包括任何合适的易失性和/或非易失性存储与检索设备。可以使用任何合适类型的存储器,例如随机存取存储器(random令)从下行传输中提取信令。信令的示例可以是由NT_TRP172和/或T_TR些实施例中,处理器210可以执行与网络接入(例如初始接入)和/或下行同步相关的操作,[0087]处理器210以及发送器201和接收器203的处理组件可以各自由相同或不同的一个者,处理器210以及发送器201和接收器203的处理组件中的部分或全部可以使用诸如编程processingunit,GPU)或专用集成电路(application_specificintegratedcircuit,[0088]T_TRP170在一些实现方式中可以使用其他名称,例如基站、基站收发台(baseunit,BBU)、射频拉远单元(remoteradiounit,RRU)、有源天线单元(activeantenna块可以位于远离容纳T_TRP170的天线的设备的位置,并且可以通过有时被称为前传的通信链路(未示出)耦合到容纳天线的设备,例如通用公共无线接口(commonpublicradio例中,T_TRP170实际上可以是一起操作以例如通过协作多点传输服务ED110的多个T_[0090]T_TRP170包括耦合到一个或多个天线256的至少一个发送器252和至少一个接收初始接入)和/或下行同步有关的操作,例如,生成同步信号块(synchronizationsignal被称为控制信令。动态信令可以在物理下行控制信道(physicaldownlinkcontrol[0091]调度器253可以耦合到处理器260。调度器253可以包括在T_TRP170内或与T_TRP于实现本文描述的部分或全部功能和/或实施例并由处理器260执行的软点、非地面网络设备或非地面基站。NT_TRP172包括耦合到一个或多个天线280的发送器[0095]NT_TRP172还包括用于存储信息和数据的存储器278。尽管未[0096]处理器276以及发送器272和接收器274的处理组件可以分别由相同或不同的一个者,处理器276以及发送器272和接收器274的处理组件中的部分或全部可以使用诸如编程作以例如通过协作多点传输服务ED110的多个NT[0099]根据图4,本文中提供的实施例方法中的一个或多个步骤可以由对应的单元或模案的一个或多个组件。无线通信链路可以支持无线接入网与用户设备之间的链路(例如,波形和非正交多址波形。这种波形选项的非限制性示例包括正交频分复用(orthogonalfilteredmulticarrier,UFMC)、通用频分复用(generalizedfrequencydivisionmultiplexing,GFDM)、小波包调制(waveletpacketmodulation,WPM)、超奈奎斯特(fasterthanNyquist,FTN)波形和低峰均功率比波形(peaktoaveragepowerratio理信道的技术,例如:时分多址(timedivisionmultipleaccess,TDMA)、频分多址(frequencydivisionmultipleaccess,FDMA)、码分多址(codedivisionmultipleaccess,CDMA)、单载波频分多址(singlecarrierfrequencydivisionmultipleaccess,SC_FDMA)、低密度签名多载波码分多址(lowdensitysignatu(latticepartitionmultipleaccess,LPMA)、资源扩展多址(resourcespread“”一“”一的可配置空口的灵活性可以支持针对不同的频谱频带和不同的服务/设备进行传输参数优和时间上在不同服务之间共享的信道资源来支持更灵活的无线接入网(radioaccessduplex,FDD)通信和/或时分双工(time_divisionduplex,TDD)通信和/或全双工(full帧包括两个时隙,每个时隙的时长为0.5ms;每个时隙用于传输7个OFDM符号(假设同步信道和/或广播信道可以通过不同的波束成形在不同的方向上传输。帧长度可以是一如,为了时域对齐,子帧的时长可以是可配置的。例如,子帧的长度可以[0120]而不是快速傅里叶变换(fastFouriertransform,FFT)来实现更灵活的符号时[0121](5)基本传输单元的灵活传输时长:基本传输单元可以是符号块(替代地称为符号),所述符号块通常包括冗余部分(称为CP)和信据)部分可以是灵活的和可配置的。与可以定义的符号块相关的另一个可能的参数是CP时[0122](6)灵活切换间隙:帧可以包括用于基站发出的下行传输的下行部分和用于UE发个载波频率上进行。载波频率称为载波。可替代地,载波可以称为分量载波(component[0126]BWP是载波上连续或非连续的频率子载波的集合,或多个载波上连续或非连续的[0130]人工智能(artificialintelli更加多样化。这些将为未来的无线网络(例如,6G网络)产生新的关键性能指标(key可以获取更准确和/或新的信息(与前几代网络相比),这些信息可以成为AI模型的输入基HARQ策略和/或智能发送/接收模式自[0137]再次参考图1和2,本公开的实施例可以用于实现通信系统100中涉及两个或两个的T_TRP控制器和/或NT_TRP控制器。在一些实施例中,网络设备452的组件可以是分布式设备452可以通过插入网络设备452与UE402、404、406和408之间的回传链路和无线信道[0141]图5中的UE的处理器210在UE侧实现一个或多个空口组件。空口组件配置和/或实UE在网络侧的空口组件实现方式可能不同。处理器454直接执行(或控制网络组件执行)本同的一个或多个处理器实现。替代地,处理器454中的一些或全部可以使用诸如编程的FPGA、GPU或ASIC等专用电路来实现。存储器456可以由易失性和/或非易失性存储元件实出设备458可以由网络接口实现,所述网络接口可能可以实现为网络接口卡(network神经网络(例如,包括深度神经网络(deepneuralnetwork,DNN)、递归神经网络输入不同的维度)。层执行的计算通常涉及将输入应用(例如,乘以)一组权重(也称为系神经元中的每个神经元的输出包括在第二隐藏层中的三个神经元中的每个神经元的输入650处所示。图6B示出了可以用作神经网络600的构建块的神经元650的示例。如图6B中所的最终输出y是点积上的激活函数f()的结果。各种神经网络可以被设计成具有各种架构的神经网络权重,所述更新后的神经网络权重将在UE侧在由ML模块510执行的神经网络中法实现学习或训练,但UE402可以接收由网络设备452确定的ML模型的训练后的配置信息[0152]虽然图5中的示例假设网络侧的AI/ML能力,但可能的情况是网络本身不执行训[0156]5G新空口(New能的。下面描述了根据本公开的实施例的可能的AI/ML训练过程和设备之间的空中信息交其相关联的终端或设备当中分配无线资源。在过去的20年里,基于比例_公平性[0160]基于PF的调度器旨在通过为设备分配与其相对请求成比例的无线资源的一部分[0161]然而,高密度IoT部署以及与此类部署潜在相关联的全新应用将通过挑战每个设备的请求独立且同等重要的假设来挑战PF算法。对于通常可以被认为是独立的移动设备,对于所述任务的目的彼此冗余。如果网络设备452将利用基于PF的调度器来调度来自设备[0172]本公开的方面引入了贡献度指标的概念,贡献度指标是用于比较两个IoT设备的[0176]数据驱动的方法可以潜在地用于识别具有不同路径损耗信道的下游任务的贡献[0181]预计在6G网络中,大量IoT设备的高度密集部署将给无线网络调度器带来几个全多请求分布将导致基于PF的调度器将可用的无线资源平均分配为它将在所有请求设备当[0186]通过提供学习哪些设备对给定下游任务有贡献以及基于它们的贡献度进行调度[0190]为了节省无线资源,网络将为给定任[0192]从所调度的IoT设备接收的信息将融合到网络的解码器或处理器(在本公开中可[0194]网络设备的调度器向所调度的IoT设备发送调度消息或信令(在本公开中可互换提供的优点和/或本公开的各方面可以解决或减轻的[0195]将最小的资源分配给测量结果对下游任务贡献最大的[0196]在选择这些对下游任务贡献最大的设备时,调度器可以将它们的信息性和它们[0198]在选择要调度的设备时,调度器还可以根据设备的贡献度对设备进行评分和分[0201]在本公开的一些方面中,通过随机梯度下降(stochasticgradientdescent,第一调度层和用作用于从调度层选择的设备接收的信息的融合器和处理器1104的多个解数)来压缩从其输入到输出的维度的卷积层或最大池化层不同,实现调度器1102的调度层是线性且全连接的,使得其K个输出维度中的每一个都是其所有N个输入维度的线性组合。度的线性组合的N个权重或系数极化的方式来执行,使得仅保留一个输入并且消除其余输N个候选设备的集合中收集原始测量结果。然而,实际上很难获得完整的训练和测试数据[0209]通常,所需设备的数量K是与任务相关的,即所选择的设备的数量取决于下游任个Kmin值被认为是训练数据集(由不利信道的不[0210]图15示出了当调度层的输出维度K大于给定任务的Kmin时可能发生的贡献设备的[0212]图16示出了调度层的输出维度K远大于Kmin的场景和可以基于调度层选择每个贡在此示例中,首先调度包括设备A的排名最高的组,并且从设备A接收的信息由解码DNN处等规模的不利时,贡献设备可以将其信息传递到受较少不利信道影响的贡献较小的设备,[0217]图18示出了贡献较小的设备充当经历较差信道条件的贡献较大的设备的中继设[0223]调度层上的权重可以通过反向传播算法由SGD更新,这意味着训练目标(下游任基于调度层上接近1的权重,网络调度器将通过向这些设备发送控制消息或信令来将上行从所调度的设备接收的信息将输入到解码器以供训练后的解码[0230]在一些情况下,可以根据在调度层上每个设备被选择的次数对K个设备进行评分可以被视为对设备的贡献度而不是设备的请求的比例_公平性(proportional_fairness,[0231]从所有调度的设备接收的信息将形成解码层的K维输入向量。如果一些设备由于第一批接收的信息为解码层提供了足够的置信度来完成下游任务,则不需要调度其余设些中等规模的变化。因此,在训练阶段非常有贡献或[0235]调度层是基于具体随机变量的选择器,这些随机变量是称为具体分布的连续分T(当前温果。在网络设备452或网络侧的其他位置处的应用解码器(融合器或处理器)融合并处理用[0252]与用于分类和重构的传统自动编码器不同,在每个传感器(相当于MNIST中的像素)上独立地以均匀模式添加了随机擦除率,以模拟设备/传感器与网络设备452之间的无的解码器1502包括第一卷积层1602、第二卷积层1604和大小为512的具有非线性RelU激活ppp[0257]在本实验中,我们将研究和比较贡献最大的设备的不同数量K和在一个均匀模式p[0258]图23示出对于编码器大小输出K的不同值的10类分类任务的模拟准确率百分比与ppp[0260]在本实验中,我们将研究和比较贡献最大的设备的不同数量K和各种擦除信道Ep[0262]图25示出对于编码器大小输出K的不同值的重构任务的模拟准确率百分比与擦除ppp[0264]在本实验中,我们将研究和比较贡献最大的设备的不同数量K和各种擦除信道Ep[0265]图26示出对于编码器大小输出K的不同值的检测任务的模拟准确率百分比与擦除ppKmin被定义为将为了避免多次选择而保留的[0269]图27示出对于分类任务的编码器大小输出K的不同值和0%擦除概率百分比,在ppppp[0273]图29示出对于重构任务的编码器大小输出K的不同值和0%擦除概率百分比,在pppmin被定义为将为了避免多次选择而保留的贡献设备的数量。p[0276]图30示出对于检测任务的编码器大小输出K的不同值和0%擦除概率百分比,在pppp[0278]在诸如不利地形等障碍物影响传感器的传输信道子集的擦除概率的情况下实现ppminpminpp[0282]将此非均匀E信道上的重构任务的准确率与均匀E为0%和10%的信道上的准确的非均匀擦除信道上K=32/128/256/512的重构pppppppp[0285]将此非均匀E信道上的检测任务的准确率与均匀E为0%和10%的信道上的准确pppp=0%的信道观测到的Kmin一致。kack,4≤a<b≤512ppHARQ训练下的编码器大小输出K的不同值和0%擦除概率百分比,在28x28阵列中的选定设ppHARQ训练下的编码器大小输出K的不同值和0%擦除概率百分比,在28x28阵列中的选定设[0301]可以在带宽、调制编码方案、包大小、传输时长或/和扩频码等方面分配上行设备都能在请求时获得UL无线资源,并且不是所有设备都能及时将其测量结果发送到网种同构请求分布。这种高熵的多设备请求分布给基于请求的PF调度器带来极小的系统增百分比的设备均匀地和随机地分配资源,以在一个时间间隔将其原始测量结果发送回网[0316]这是用于联合优化用于任务的设备的信息量指标及设备与网络的信道连接的条信道条件。DNN的优点是反向传播(SGD)可以将任务(训练目标)从最后一层传播到第一层。公开的基于自动编码器(DNN)的调度方法提供了全局优化平台来进[0327]观测到的现象和信道都是随机变化的,这导致测量结果和信道条件上的一些差[0328]在实践中,可以有同时使用主要组输入和主要/次要组输入进行训练的一个DN其中这些信息性设备将通过信息量较小但具有良好信道条件的设备和l2都没有优化[0339]·可以找到合适的采样稀疏性(压缩检测无法做到这一点,奈奎斯特限制为非详尽列表包括磁带盒,磁带,磁盘存储器或其他磁存储设备,诸如只读光盘(compactdiscread_onlymemory,CD_ROM)、数字视频光盘或数字多功能光盘(digitalvideomemory,RAM),只读存储器(read_onlymemory,ROM),电可擦除可编程只读存储器到设备。本文中描述的任何应用或模块都可以使用计算机/处理器可读/可执行指令来实

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论