MétaCan
Menu
Retour à la cohorte
Enregistrement W4388427031 · doi:10.1109/icict4sd59951.2023.10303469

SDN-based Signal Performance Optimization in Campus Area Network

2023· article· en· W4388427031 sur OpenAlexaff
Md. Abu Baker Siddiki Abir, Shahrukh Hossain Rian, Syed Rakib Hasan, Nafiz Arman

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware-Defined Networks and 5G
Établissements canadiensUniversity of CalgaryUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésTransmitterComputer scienceSIGNAL (programming language)Software-defined radioBase stationElectronic engineeringPath lossRadio frequencyCommunications systemTelecommunicationsComputer networkSoftwareWirelessReal-time computingEngineering

Résumé

récupéré en direct d'OpenAlex

Numerous ground breaking technical solutions are introduced in the approaching sixth generation communications. Even with fifth generation communications, it is become challenging to employ and optimize the limited radio frequency (RF) spectrum to fulfill the demand for data rates due to the growing user base. As a result, for next generation communication systems it, it become very mandatory to utilized properly this limited RF spectrum to fulfill the data rate demand and meet these challenges. As the only current and proven infrastructure, campus area networks (CANs) have emerged as a potential option for mobile and stationary users. Optical fiber, IEEE standards 802.11 and 802.3ab is used for CAN communications. It is very simple and practical to implementation of signal transmitter for positioning indoor or outdoor environment. In this paper, software-defined networking is used for introduce an approach in CAN to optimize the signal path loss and its receiver signal strength.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,904
Score d'incertitude au seuil0,388

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,211
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoftware-Defined Networks and 5GTravaux en français237 207