信息论研究方面的论文怎么写

电子信息工程导论论文【1】通过这几周XXX老师给我们讲授电子信息工程的导论课，我基本上对电子信息工程这个专业有了一定的了解。同时，也听说咱们学院的师哥师姐曾经参加电子设计大赛获得过骄人的成绩，心里有种自豪感，也想朝这方面发展。进行电子设计必须有很强的专业知识和动手能力，我虽然是学电子信息工程的，但是，目前对专业知识一窍不通。听老师和师哥师姐说，这些都得自己学。顿时，我产生了很大的疑惑，专业课为什么得到大二大三学那，对于我们大一的来说，基本上就没有什么专业课，我感觉学校的分配专业课学习时间不恰当。像《信号与系统》、《电路分析》、《电子技术基础》、《C语言》、《Java基础设计》、《电子CAD》、《高频电子技术》、《电子测量技术》、《通信技术》、《单片机技术》、《数字信号处理(DSP)技术》、《单片机原理及应用》，《ARM嵌入式系统》，《传感器技术与工程应用》等课程安排的不太好。就《单片机》来说，是大三才开的课程，就是我们想参加电子设计大赛的，不至于要等到大三以后再参加吧。对于大一大二的来说，那只有去挤时间自学啊!所以啊，我看咱们学院应该适当调整一下专业课的分布，让同学们提前接触一下专业知识，有更多的动手实验机会，学的专业更加扎实。当然，有的专业课需要有像《高等数学》等课程的基础知识做铺垫，安排在大一是更有效率的，咱们学院这块做的还不错啊!大一的公共必修课较多，大二大三基本上就是专业课了!这方面课程的安排我多少能理解一点，毕竟我感觉自己学习能力比较强，也希望自己能在这方面有所作为!当今世界，信息技术是衡量一个国家现代化水平的重要标志。我国把信息技术列为21世纪发展战略计划的首位。然而，信息技术的发展是需要电子信息工程作为强大支柱的。因此，电子信息工程专业也是现在热门的专业。现在，电子信息工程已经涵盖了社会的诸多方面，像电话管理中心怎么处理各种电话信号，手机是怎样传递我们的声音甚至图像的，我们周围的网络怎样传递数据等，甚至信息化时代军队的信息传递中如何保密等都要涉及电子信息工程的应用技术。我们可以通过一些基础知识的学习认识这些东西，并能够应用更先进的技术进行新产品的研究和使用。电子信息工程专业就是这样一个集现代电子技术、信息技术、通信技术于一体的专业。就目前的形势来说，电子信息工程是前沿学科，现代社会的各个领域及人们日常生活等都与电子信息技术有着紧密的联系。全国各地从事电子技术产品的生产、开发、销售和应用的企事业单位很多。随着改革步伐的加快，这样的企事业单位会越来越多，因此需要一大批具有能综合运用所学知识和技能，能适应现代电子技术发展，能从事企事业单位与本专业相关的产品及设备的生产、安装调试、运行维护、销售及售后服务、新产品技术开发等应用型的技术人才和管理人才。电子信息工程专业的培养要求主要是学生需学习信号的获取与处理、电子设备与信息系统等方面的基本理论和基本知识，受到电子与信息工程实践的基本训练，包括理论学习，生产实习和室内实验。同时具备良好的科学素质，具备设计、开发、应用和集成电子设备和信息系统的基本能力，并具有较强的知识更新能力和广泛的科学适应能力。电子信息工程专业主要学习的是基本电路知识，并掌握用计算机等处理信息的方法。当然，对高等数学的基本功和物理学电路方面的理解力要求也很高。我们要学习许多电路知识、电子技术、信号与系统、计算机控制原理、通信原理等基本课程。学习电子信息工程专业个人还要有动手设计能力。学完基础课程，我们就要开始学习一些电路实验，自己设计拼接一些电路并结合计算机进行实验，这对动手操作和使用工具的能力要求也非常高。比如，自己连接传感器的电路，用计算机设置小的通信系统，还要看懂一些大公司的电子和信息处理设备，要理解手机信号、有线电视是如何传输的等。如果有机会在老师指导下参与大的工程设计，对我们能力的培养当然帮助会更大。所以，要喜欢钻研思考，并善于开动脑筋发现问题，才能把这个专业学好。我的理想是做一个电子信息工程(信号与信息的处理)专业的高级工程师

摘 要:随着技术革新的不断发展，产业融合正日益成为产业经济发展中的重要现象。产业融合产生的前提是技术融合、业务融合、市场融合以及产业管制环境的变化。按照技术发展的方向，产业融合有产业渗透、产业交叉和产业重组三种形式。由于信息技术的渗透性、带动性、倍增性、网络性和系统性等特征，信息产业的产业融合呈现加速发展的趋势。

一、选题选题是论文写作关键的第一步，直接关系论文的质量。常言说：“题好文一半”。对于临床护理人员来说，选择论文题目要注意以下几点：(1)要结合学习与工作实际，根据自己所熟悉的专业和研究兴趣，适当选择有理论和实践意义的课题;(2)选题宜小不宜大，只要在学术的某一领域或某一点上，有自己的一得之见，或成功的经验.或失败的教训，或新的观点和认识，言之有物，读之有益，就可以作为选题;(3)选题时要查看文献资料，既可了解别人对这个问题的研究达到什么程度，也可以借鉴人家对这个问题的研究成果。需要指出，选题与论文的标题既有关系又不是一回事。标题是在选题基础上拟定的，是选题的高度概括，但选题及写作不应受标题的限制，有时在写作过程中，选题未变，标题却几经修改变动。二、设计设计是在选题确定之后，进一步提出问题并计划出解决问题的初步方案，以便使科研和写作顺利进行。护理论文设计应包括以下几方面：(1)专业设计：是根据选题的需要及现有的技术条件所提出的研究方案;(2)统计学设计：是运用卫生统计学的方法所提出的统计学处理方案，这种设计对含有实验对比样本的护理论文的写作尤为重要;3)写作设计：是为拟定提纲与执笔写作所考虑的初步方案。总之，设计是护理科研和论文写作的蓝图，没有“蓝图”就无法工作。

摘 要:随着技术革新的不断发展，产业融合正日益成为产业经济发展中的重要现象。产业融合产生的前提是技术融合、业务融合、市场融合以及产业管制环境的变化。按照技术发展的方向，产业融合有产业渗透、产业交叉和产业重组三种形式。由于信息技术的渗透性、带动性、倍增性、网络性和系统性等特征，信息产业的产业融合呈现加速发展的趋势。信息产业的融合有助于提高信息产业的生产效率，改善信息产业的管制方式，加速传统产业的升级改造以及促进信息技术的扩散和渗透。因此，深入研究产业融合理论以及产业融合对于我国信息产业发展的影响，对推动我国的信息化进程，促进产业结构的优化升级具有重要的理论和现实意义。

We propose a new learning paradigm, Local to Global Learning (LGL), for Deep Neural Networks (DNNs) to improve the performance of classification problems. The core of LGL is to learn a DNN model from fewer categories (local) to more categories (global) gradually within the entire training set. LGL is most related to the Self-Paced Learning (SPL) algorithm but its formulation is different from trains its data from simple to complex, while LGL from local to global. In this paper, we incorporate the idea of LGL into the learning objective of DNNs and explain why LGL works better from an information-theoretic perspective. Experiments on the toy data, CIFAR-10, CIFAR-100,and ImageNet dataset show that LGL outperforms the baseline and SPL-based algorithms. 我们为深度神经网络（DNN）提出了一种新的学习范式，即从局部到全局学习（LGL），以提高分类问题的性能。LGL的核心是在整个培训集中逐步从更少的类别（本地）学习更多的类别（全局）DNN模型。LGL与自定进度学习（SPL）算法最相关，但其形式与SPL不同。SPL将数据从简单训练到复杂，而将LGL从本地训练到全局。在本文中，我们将LGL的思想纳入了DNN的学习目标，并从信息论的角度解释了LGL为什么表现更好。对玩具数据，CIFAR-10，CIFAR-100和ImageNet数据集的实验表明，LGL优于基线和基于SPL的算法。 Researchers have spent decades to develop the theory and techniques of Deep Neural Networks (DNNs). Now DNNs are very popular in many areas including speech recognition [9], computer vision [16, 20], natural language processing [30] etc. Some techniques have been proved to be effective, such as data augmentation [32, 29] and identity mapping between layers [10, 11]. Recently, some researchers have focused on how to improve the performance of DNNs by selecting training data in a certain order, such as curriculum learning [3] and self-paced learning [17]. Curriculum learning (CL) was first introduced in 2009 by Bengio et al [3]. CL is inspired by human and animal learning which suggests that a model should learn samples gradually from a simple level to a complex level. However, the curriculum often involves prior man-made knowledge that is independent of the subsequent learning process. To alleviate the issues of CL, Self-Paced Learning (SPL) [17] was proposed to automatically generate the curriculum during the training process. SPL assigns a binary weight to each training sample. Whether or not to choose a sample is decided based on the sample’s loss at each iteration of training. Since [17], many modifications of the basic SPL algorithm have emerged. Moreover, [13] introduces a new regularization term incorporating both easiness and diversity in learning. [12] designs soft weighting (instead of binary weight) methods such as linear soft weighting and logarithmic soft weighting. [14] proposes a framework called self-paced curriculum learning (SPCL) which can exploit both prior knowledge before the training and information extracted dynamically during the training. 研究人员花费了数十年的时间来开发深度神经网络（DNN）的理论和技术。现在，DNN在很多领域都非常流行，包括语音识别[9]，计算机视觉[16、20]，自然语言处理[30]等。一些技术已被证明是有效的，例如数据增强[32、29]和层之间的身份映射[10，11]。近来，一些研究人员致力于通过按特定顺序选择训练数据来提高DNN的性能，例如课程学习[3]和自定进度学习[17]。课程学习（CL）由Bengio等人于2009年首次提出[3]。CL受人类和动物学习的启发，这表明模型应该从简单的层次逐步学习到复杂的层次。但是，课程通常涉及先前的人造知识，而这些知识与后续的学习过程无关，为了缓解CL的问题，提出了自定进度学习（SPL）[17]在培训过程中自动生成课程表。SPL将二进制权重分配给每个训练样本。是否选择样本取决于每次训练迭代时样本的损失。自[17]以来，已经出现了对基本SPL算法的许多修改。此外，[13]引入了一个新的正规化术语，在学习中兼顾了易用性和多样性。[12]设计了软加权（而不是二进制加权）方法，例如线性软加权和对数软加权。[14]提出了一种称为自定进度课程学习（SPCL）的框架，该框架可以利用训练之前的先验知识和训练期间动态提取的信息。 However, some SPL-based challenges still remain: 1) It is hard to define simple and complex levels. CL defines these levels according to prior knowledge, which needs to be annotated by human. This process is extremely complicated and time consuming, especially when the number of categories is large. Another solution is to choose simple samples according to the loss like SPL. However, the samples’ losses are related to the choice of different models and hyper-parameters, since it is likely that the loss of a sample is large for one model but small for another; 2) SPL4748 based algorithms always bring additional hyper-parameters. One must tune hyper-parameters very carefully to generate a good curriculum, which increases the difficulty of training the model. 但是，仍然存在一些基于SPL的挑战：1）很难定义简单和复杂的级别。CL根据需要由人类注释的先验知识定义这些级别。此过程极其复杂且耗时，尤其是类别数量很大时。另一种解决方案是根据损耗（如SPL）选择简单样本。但是，样本损失与选择不同的模型和超参数有关，因为一个模型的样本损失可能很大，而另一模型的损失却很小。2）基于SPL4748的算法总是带来附加的超参数。必须非常仔细地调整超参数以生成好的课程表，这增加了训练模型的难度。 To address the above two problems, we propose a new learning paradigm called Local to Global Learning (LGL). LGL learns the neural network model from fewer categories (local) to more categories (global) gradually within the entire training set, which brings only one hyper-parameter ( inverse proportional to how many classes to add at each time) to DNN. This new hyper-parameter is also easy to be tuned. Generally, we can improve the performance of DNN by increasing the value of the new hyper-parameter. The intuition behind LGL is that the network is usually better to memorize fewer categories1 and then gradually learns from more categories, which is consistent with the way people learn. The formulation of LGL can be better understood by comparing it with transfer learning shown in Figure 1. In transfer learning, the initial weights of DNNs are transferred from another dataset. But in LGL, the initial weights of DNNs are transferred from the self-domain without knowledge of other datasets. The traditional methods randomly initialize the weights, which do not consider the distributions of the training data and may end up with a bad local minimum; whereas LGL initializes the weights which capture the distributions of the trained data. So LGL can be also seen as an initialization strategy of DNNs. In this paper, we explain the methodology of LGL from the mathematical formulation in detail. Instead of concentrating on sample loss (as in SPL), we pay attention to training DNN effectively by continually adding a new class to DNN. There are three main contributions from this paper: 为了解决上述两个问题，我们提出了一种新的学习范式，称为本地到全球学习（LGL）。LGL在整个训练集中逐渐从较少的类别（局部）到更多的类别（全局）学习神经网络模型，这仅给DNN带来一个超参数（与每次添加多少个类成反比）。这个新的超参数也很容易调整。通常，我们可以通过增加新的超参数的值来提高DNN的性能。LGL的直觉是，网络通常可以更好地记住较少的类别1，然后逐渐从更多的类别中学习，这与人们的学习方式是一致的。通过将LGL的公式与图1所示的转移学习进行比较，可以更好地理解LGL的公式。在转移学习中，DNN的初始权重是从另一个数据集中转移的。但是在LGL中，DNN的初始权重是在不了解其他数据集的情况下从自域传递的。传统方法是随机初始化权重，这些权重不考虑训练数据的分布，最终可能会导致不良的局部最小值。而LGL会初始化权重，以捕获训练数据的分布。因此，LGL也可以视为DNN的初始化策略。在本文中，我们将从数学公式详细解释LGL的方法。我们不专注于样本丢失（如SPL），而是通过不断向DNN添加新类来关注有效地训练DNN。本文主要有三点贡献： We propose a new learning paradigm called Local to Global Learning (LGL) and incorporate the idea of LGL into the learning objective of DNN. Unlike SPL, LGL guides DNN to learn from fewer categories (local) to more categories (global) gradually within the entire training set. • From an information-theoretic perspective (conditional entropy), we confirm that LGL can make DNN more stable to train from the beginning. • We perform the LGL algorithm on the toy data, CIFAR-10, CIFAR-100, and ImageNet dataset. The experiments on toy data show that the loss curve of LGL is more stable and the algorithm converges faster than the SPL algorithm when the model or data distributions vary. The experiments on CIFAR-10, CIFAR100 and ImageNet show that the classification accuracy of LGL outperforms the baseline and SPL-based algorithms. 我们提出了一种新的学习范式，称为本地到全球学习（LGL），并将LGL的思想纳入DNN的学习目标。与SPL不同，LGL指导DNN在整个培训集中逐步从较少的类别（本地）学习到更多的类别（全局）。•从信息理论的角度（条件熵），我们确认LGL可以使DNN从一开始就更稳定地进行训练。•我们对玩具数据，CIFAR-10，CIFAR-100和ImageNet数据集执行LGL算法。对玩具数据的实验表明，当模型或数据分布变化时，LGL的损失曲线更稳定，并且收敛速度比SPL算法快。在CIFAR-10，CIFAR100和ImageNet上进行的实验表明，LGL的分类精度优于基线和基于SPL的算法。 SPL has been applied to many research fields. [24] uses SPL for long-term tracking problems to automatically select right frames for the model to learn. [28] integrates the SPL method into multiple instances learning framework for selecting efficient training samples. [27] proposes multi-view SPL for clustering which overcomes the drawback of stuck in bad local minima during the optimization. [31] introduces a new matrix factorization framework by incorporating SPL methodology with traditional factorization methods. [8] proposes a framework named self-paced sparse coding by incorporating self-paced learning methodology with sparse coding as well as manifold regularization. The proposed method can effectively relieve the effect of nonconvexity. [21] designs a new co-training algorithm called self-paced co-training. The proposed algorithm differs from the standard co-training algorithm that does not remove false labelled instances from training. [18] brings the ideaof SPL into multi-task learning and proposes a frameworkthat learns the tasks by simultaneously taking into consideration the complexity of both tasks and instances per task. Recently, some researchers have combined SPL withmodern DNNs. [19] proposes self-paced convolutional network (SPCN) which improves CNNs with SPL for enhancing the learning robustness. In SPCN, each sample is assigned a weight to reflect the easiness of the sample. A dynamic self-paced function is incorporated into the learning objective of CNNs to jointly learn the parameters ofCNNs and latent weight variable. However, SPCN seemsto only work well on simple dataset like MNIST. [2] showsthat CNNs with the SPL strategy do not show actual improvement on the CIFAR dataset. [15] shows that whenthere are fewer layers in the CNN, an SPL-based algorithmmay work better on CIFAR. But when the number of layers increases, like for VGG [23], the SPL algorithm performs almost equal to that of traditional CNN training. [25]proposes a variant form of self-paced learning to improvethe performance of neural networks. However, the methodis complicated and can not be applied to large dataset likeImageNet. Based on the above analysis of SPL’s limitations, we develop a new data selection method for CNNscalled Local to Global Learning (LGL). LGL brings onlyone hyper-parameter (easy to be tuned) to the CNN and performs better than the SPL-based algorithms. SPL已应用于许多研究领域。[24]使用SPL解决长期跟踪问题，以自动选择合适的框架供模型学习。[28]将SPL方法集成到多个实例学习框架中，以选择有效的训练样本。[27]提出了一种用于聚类的多视图SPL，它克服了优化过程中卡在不良局部极小值中的缺点。[31]通过将SPL方法与传统因式分解方法相结合，引入了新的矩阵因式分解框架。文献[8]提出了一种框架，该框架通过将自定进度的学习方法与稀疏编码以及流形正则化相结合，提出了自定进度的稀疏编码。所提出的方法可以有效地缓解不凸性的影响。[21]设计了一种新的协同训练算法，称为自定步距协同训练。提出的算法与标准的协同训练算法不同，后者不会从训练中删除错误标记的实例。[18]将SPL的思想带入了多任务学习，并提出了一个通过同时考虑任务和每个任务实例的复杂性来学习任务的框架。 最近，一些研究人员将SPL与现代DNN相结合。文献[19]提出了一种自定速度的卷积网络（SPCN），它利用SPL改进了CNN，从而增强了学习的鲁棒性。在SPCN中，为每个样本分配了权重以反映样本的难易程度。动态自定步函数被纳入CNN的学习目标，以共同学习CNN的参数和潜在权重变量。但是，SPCN似乎只能在像MNIST这样的简单数据集上很好地工作。[2]显示，采用SPL策略的CNN在CIFAR数据集上并未显示出实际的改进。[15]表明，当CNN中的层数较少时，基于SPL的算法在CIFAR上可能会更好地工作。但是，当层数增加时，例如对于VGG [23]，SPL算法的性能几乎与传统CNN训练的性能相同。[25]提出了一种自定进度学习的变体形式，以提高神经网络的性能。但是，该方法很复杂，不能应用于像ImageNet这样的大型数据集。基于以上对SPL局限性的分析，我们为CNN开发了一种新的数据选择方法，称为本地到全球学习（LGL）。LGL仅给CNN带来一个超参数（易于调整），并且比基于SPL的算法性能更好。 There are still two learning regimes similar to our workcalled Active Learning [6] and Co-training [4] which also select the data according to some strategies. But in active learning, the labels of all the samples are not known when the samples are chosen. Co-training deals with semisupervised learning in which some labels are missing. Thus,these two learning regimes differ in our setting where the labels of all the training data are known. 仍然有两种与我们的工作类似的学习方式称为主动学习[6]和联合训练[4]，它们也根据某些策略选择数据。但是在主动学习中，选择样本时不知道所有样本的标签。联合培训涉及缺少某些标签的半监督学习。因此，这两种学习方式在我们设置所有训练数据的标签的环境中是不同的。 Learning Let us first briefly review SPL before introducing LGL. Let L(yi, g(xi, w)) denote the loss of the ground truth label yi and estimated label g(xi, w), where w represents theparameters of the model. The goal of SPL is to jointlylearn the model parameters w and latent variable v =[vi, . . . , vn]T by minimizing: 在介绍LGL之前，让我们首先简要回顾一下SPL。令L（yi，g（xi，w））表示地面真值标签yi和估计标签g（xi，w）的损失，其中w表示模型的参数。SPL的目标是共同学习模型参数w和潜在变量v = [vi，...，vn] T通过最小化： In the above, v denotes the weight variables reflecting the samples’ importance; λ is a parameter for controlling the learning pace; f is called the self-paced function which controls the learning scheme. SPL-based algorithms are about to modify f to automatically generate a good curriculum during the learning the original SPL algorithm [17], v ∈ {0, 1}^n, and fis chosen as: Another popular algorithm is called SPLD (self-paced learning with diversity) [13] which considers both ||v||1 and the sum of group-wise ||v||2. In SPLD, f is chosen as: In general, iterative methods like Alternate Convex Search (ACS) are used to solve (1), where w and v are optimized alternately. When v is fixed, we can use existing supervised learning methods to minimize the first term in (1) to obtain the optimal w∗. Then when w is fixed,and suppose f is adopted from (2), the global optimum v∗= [vi∗, . . . , vn*]T can be explicitly calculated as: 通常，使用迭代方法（如交替凸搜索（ACS））求解（1），其中w和v交替优化。当v固定时，我们可以使用现有的有监督学习方法来最小化（1）中的第一项，以获得最佳w ∗。然后，当w固定时，假设从（2）中采用f，则全局最优v ∗ = [v ∗ i，。。。，v ∗ n] T可以明确地计算为： From (4), λ is a parameter that determines the difficulty of sampling the training data: When λ is small, ‘easy’ samples with small losses are sent into the model to train; When we gradually increase λ, the ‘complex’ samples will be provided to the model until the entire training set is the above analysis, the key step in an SPL algorithm is to adjust the hyper-parameter λ at each iteration of training. In reality, however, we do not know the loss of each sample before training. Therefore sometimes one needs to run a baseline (a training algorithm without SPL) first to observe the average loss at each iteration and then set an empirical value for λ to increase. For more complex algorithms like SPLD from (3), researchers must control two parameters λ and γ, which makes the training difficult. To avoid the difficulty of tuning parameters in the SPL-based algorithms, we introduce our easy-to-train LGL algorithm. 从（4）中，λ是一个参数，它确定对训练数据进行采样的难度：当λ较小时，将损失较小的“简单”样本发送到模型中进行训练；当我们逐渐增加λ时，将向模型提供“复杂”样本，直到处理完整个训练集为止。根据以上分析，SPL算法中的关键步骤是在每次训练迭代时调整超参数λ。但是，实际上，我们不知道训练前每个样本的损失。因此，有时需要先运行基线（无SPL的训练算法）以观察每次迭代的平均损耗，然后为λ设置一个经验值以增加。对于（3）中的SPLD等更复杂的算法，研究人员必须控制两个参数λ和γ，这使训练变得困难。为了避免在基于SPL的算法中调整参数的困难，我们引入了易于训练的LGL算法。

1、蓝牙简介早在1994年，Ericsson公司就在其内部提出了一项研究计划，旨在建立发展一种能简易使用并可在各种通讯设备上畅行无阻的新一代无线传输技术，建立一个实际的无线接口和相关软件标准。1998年，Ericsson公司公开了这项计划，并与Nokia、IBM、Toshiba和Intel四家公司组成了一个特别利益集团（SIG，Special Interest Group），以负责此项技术的开发。一年后的1999年7月，SIG正式提出了该技术协议的版，并将此项技术命名为蓝牙（Bluetooth）。据SIG官方说明，蓝牙这个名字来自十世纪丹麦的维京族国王Harald Bluetooth。这位国王曾以武力统一了丹麦和挪威，在斯堪的那维亚半岛建立了一个庞大的帝国。蓝牙技术解决了小型移动设备间的无线互连问题。它的硬件市场非常广阔，涵盖了局域网络中的各类数据及语音设备。该技术的本质目的不是成为另一种无线局域网（WLAN）技术，而是成为一种替代传输电缆的新型无线解决方案。从1999年的版，到后来的版、版、版，蓝牙技术不断地在技术上完善自身，力图吸取通用电缆在成本、安全和承载能力等方面的优势。在Bluetooth国王叱咤北欧的千年之后，新兴的蓝牙技术正在以其的种种优势，在全球的无线连接市场中开拓比Bluetooth国王大上千倍万倍的疆土。2、蓝牙协议概述蓝牙体系结构中的协议模型可分为以下5层：（1） 物理层：蓝牙协议的无线接口层；（2） 核心协议：基带协议（Baseband）、链路管理协议（LMP）、逻辑链路控制和适配协议（L2CAP）、服务发现协议（SDP）等。基带协议可以提供同步面向连接（SCO）业务和非同步连接（ACL）业务。一般地，SCO用于分组数据业务，其特点是可靠，但有延时；而ACL用于话音传送，其特点是实时性好。但可靠性比SCO差。链路管理协议（LMP）负责建立和解除主、从设备单元之间的连接，另外还控制主、从设备单元的工作模式。L2CAP是第三层的控制和适配协议，L2CAP向RFCOMM和SDP等层提供面向连接和无连接业务。基带数据业务可以越过LMP而直接通过L2CAP向高层协议传送数据。从某种意义上说，L2CAP和LMP都相当于OSI第二层即链路层的协议；