Future Optimization Algorithm to Estimate Attenuation in 532 nm Laser Beam of UWOC-Channel: Improved Neural Network Model
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
Underwater Optical Wireless Communication (UWOC) becomes an emerging underwater communication technology, with high-data rates over relatively medium transmission ranges. When optical wireless signal transmitted in ocean water channel, it will suffer from drastic scattering and absorption due to water molecules, dissolved particles, air bubbles, and turbulence. Absorption and scattering of the transmitted wireless optical signal in underwater channel led to attenuation in optical signal power. Optical signal attenuation over underwater channel is an aggregate of` different parameters effects that changed frequently, then practical measuring of this attenuation is complicated, difficult, expensive, and time-consuming process. In this work, improved neural network optimized with future search algorithm (FANN) was proposed, as an efficacious solution to obtain an accurate, relabel values of attenuation coefficient in different water types and conditions. The proposed FANN model provides a good much results to the practical measured values. The performance of the proposed FANN model was evaluated using mean square error (MSE), root mean square error (RMSE) and mean absolute error (MAE) error indices. The errors in attenuation coefficient values obtained by the proposed FANN model had been calculated and its values are very acceptable which are lie lower than 10-4. The performance of the proposed FANN model shows excellent results which indicate the superior performance of the proposed FANN model.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 découle