Wireless LAN Service Quality Optimization in Academic Environments
Notice bibliographique
Résumé
This paper targets optimized service quality (SQ) – a metric that compares the perceived performance by users with the expected performance – sufficient to satisfy users’ quality of experience (QoE). The perceived performance was obtained in a field survey from an academic environment, and using Interval Type-2 Fuzzy Logic (IT2FL), uncertainties inherent in the field data were efficiently modeled for accurate estimation of the SQ. To obtain the expected performance, two unsupervised tools: the Principal Component Analysis (PCA) and Self-organizing Map (SOM) were exploited to abstract the most relevant features, and observe similarity patterns between the abstract features. An Adaptive Neuro-Fuzzy Inference System (ANFIS) was then used to optimize the system performance. Results obtained showed that ANFIS sufficiently optimized and modeled the SQ – as the root mean square error (RMSE) values of the train and test data were approximately the same – for all the study sites considered. However, combining the three campuses produced the least mean absolute error (MAE) of 0.0979 for train data, and the highest MAE of 0.7345 for test data. Further, the least MAE of 0.4707 for test data was obtained from town campus Annex. The wide variation in MAE observed in the train and test data might not be unconnected with the high degree of uncertainties associated with interference, site topology and terrain issues – exhibited by the system under study, as well as the quality of data collected. The proposed system framework has the potentials to develop into a complete location-based system.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».