Performance Analysis and Prediction for Mobile Internet-of-Things (IoT) Networks: A CNN Approach
Notice bibliographique
Résumé
With the increasingly mature sensor technology and the increasing popularity of broadband network, “the Internet-of-Everything” era is coming, and the mobile Internet of Things (IoT) is booming around the world. However, the mobile IoT communication networks face serious challenges, which are caused by the complex and variable communication environments. The mobile IoT applications can produce large-scale data, which will consume substantial energy. The transmit antenna selection (TAS) and cooperative communication schemes are commonly used to reduce the complexity and the energy consumption, which directly impact the performance of mobile IoT networks. To evaluate the performance of mobile IoT networks, it is important to analyze outage probability (OP) performance. In this article, we investigate the OP performance analysis of mobile IoT communication networks and propose an OP intelligent prediction algorithm based on an improved convolutional neural network (CNN). First, the mobile OP performance is analyzed by combining the TAS and decode-and-forward cooperative schemes, and the exact OP expressions are derived. Then, an improved CNN is designed to avoid the loss of important information, which contains the input layer, three-convolution layer, one fully connected layer, and output layer. The proposed CNN-based prediction approach is compared with the radial basis function (RBF), generalized regression (GR), Elman, and extreme learning machine (ELM) methods. The simulation results validate that the proposed CNN prediction approach can achieve a better prediction effect than RBF, Elman, GR, and ELM methods. For the CNN approach, it has a 44% increase in the prediction accuracy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 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 ».