Análisis del estado de arte de Técnicas de Soft Computing aplicadas a problemas de planificación de red en 5G.
Notice bibliographique
Résumé
En el presente artículo se realizó una revisión del estado del arte de la aplicación de las técnicas de Soft Computing en la resolución de problemas de planificación de redes 5G, para lo cual se clasificó las diferentes técnicas de soft computing existentes (redes neuronales, lógica difusa, algoritmos evolutivos) y de los trabajos e investigaciones realizados sobre el tema según sus autores, los modelos planteados y los métodos de solución. Adicionalmente se describieron las investigaciones más relevantes en donde se especifican técnicas para dar solución a los problemas de arquitecturas y funcionalidades cruciales en el desarrollo de esta tecnología, entre los cuales se resalta: encontrar una posición óptima para una Estación Base (BS) en un área de interés determinada, operar en las bandas de frecuencias múltiples deseadas mientras se mantiene una alta ganancia, limitar el consumo de energía en las infraestructuras de red 5G y tratar de incrementar la calidad del servicio al disminuir la probabilidad de bloqueo de llamadas. Finalmente se concluyó que las técnicas de soft computing más aplicadas a la solución de problemas de planificación de las redes 5G son lógica difusa, para limitar el consumo de energía en las infraestructuras de red 5G, además de las redes neuronales artificiales y algoritmos genéticos para la admisión de llamadas en redes 5G con la finalidad de incrementar la calidad del servicio al disminuir las interferencias.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».