MétaCan
Menu
Retour à la cohorte
Enregistrement W1621817755 · doi:10.1109/mwc.2015.7054727

Hailing cloud empowered radio access networks

2015· article· en· W1621817755 sur OpenAlexaff
Khalim Amjad Meerja, Abdallah Shami, Ahmed Refaey

Notice bibliographique

RevueIEEE Wireless Communications · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensMircom Technologies (Canada)Western University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceCloud computingCognitive radioComputer networkProvisioningRadio access networkFemtocellRadio resource managementWirelessMobile broadbandWireless broadbandWireless networkBase stationTelecommunicationsMobile station

Résumé

récupéré en direct d'OpenAlex

Radio access networks empowered by CRAN is a new design paradigm that is drawing the attention of many researchers today to tackle the growing complexity of provisioning broadband wireless services. Because of the need to provide high data rates and better coverage simultaneously, operators are maintaining heterogeneous networks with cells of various sizes, ranging from femtocells to macrocells. Moving the provisioning of wireless network services for all users in collective cells to a central cloud can reduce the otherwise embedded costs and improve processing power performance by dynamically scaling up and down . For interference mitigation, cognitive radio technology can be used to dynamically provide information on spectrum availability over time and space to central processing base station units located in the cloud. In this article, we delve into all these aspects including mobile cloud computing to leverage the concept of cloud empowered radio access networks for future wireless communication needs of 5G networks. We provide an architecture for CRAN. In particular, we discuss in detail the cognitive-radio-based interference mitigation strategy and provide a media access control protocol for the proposed framework that uses this overlay interference mitigation strategy.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,054
Tête enseignante GPT0,300
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Wireless CommunicationsMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207