Design and analysis of an active predictive algorithm in wireless multicast networks
Notice bibliographique
Résumé
With the ever-increasing wireless multicast data applications recently, considerable efforts have focused on the large scale heterogeneous wireless multicast, especially those with large propagation delays, which means the feedbacks arriving at the source node are somewhat outdated and harmful to the control actions. To attack the above problem, this paper describes a novel, autonomous, and predictive wireless multicast flow control scheme, the so-called proportional, integrative plus neural network (PINN) predictive technique, which includes two components: the PI flow controller located at the wireless multicast source has explicit rate algorithm to regulate the transmission rate; and the neural network part located at the middle branch node predicts the available buffer occupancy for those longer delay receivers. The ultimate sending rate of the multicast source is the expected receiving rates computed by PI controller based on the consolidated feedback information, and it can be accommodated by its participating branches. This network-assisted property is different from the existing control schemes in that neural network controller can predict the buffer occupancy caused by those long delay receivers, which probably cause irresponsiveness of a wireless multicast flow. This active scheme makes the control more responsive to the network status, therefore, the rate adaptation can be in a timely manner for the sender to react to network congestion quick. We analyze the theoretical aspects of the proposed algorithm, show how the control mechanism can be used to design a controller to support wireless multi-rate multicast transmission based on feedback of explicit rates.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».