Notice bibliographique
Résumé
In 5G Ultra-Dense Cells, a distributed wireless backhaul is an attractive solution for forwarding traffic to the core.The macro-cell coverage area is divided into many small cells.A few of these cells are designated as gateways, which are linked to the core by high capacity fiber optic links.Each small cell is associated with one gateway and all small cells forward their traffic to their respective gateway through multi-hop mesh networks.In this thesis, we investigate the Gateway Location Problem and show that finding near optimal gateway locations improves the Backhaul Network Capacity (BNC).Toward this end, the p-median problem has been formulated as Integer Linear Program to find optimal gateway locations.Subsequently, we use artificial intelligence based on a Genetic Algorithm (GA) in combination with machine learning based on the K-means clustering algorithm and develop a heuristic to find near-optimal gateway locations that maximize the BNC.We evaluate the performance of our new heuristic, K-GA, in comparison with six different approaches in terms of Average Number of Hops (ANH) and BNC at different node densities through extensive Monte Carlo simulations.All approaches including the optimal (or exact) approach are tested under different small cell distribution scenarios, namely, Uniform distribution, bivariate Gaussian distribution, and Cluster distribution.K-GA provides near optimal results achieving ANH and BNC within 3% of optimal and saves on average 95% of execution time.The scheme is practical and can be easily adapted to the spatial distribution of traffic.We also analyze the effect of the number of gateways on ANH and BNC.The results show that more gateways are beneficial.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».