Análisis del estado de arte de Técnicas de Soft Computing aplicadas a problemas de planificación de red en 5G.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle