Development of a Machine Learning Based Fault Detection Model for Received Signal Level in Telecommunication Enterprise Infrastructure
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
This research develops a machine-learning fault detection model for received signal levels in telecommunication infrastructure. The methodology involves modeling an enterprise point-to-multipoint wireless network using pathloss 5.0 software. Data from the simulated network, including free space pathloss, transmit power output, transmit antenna gain, transmitter loss, miscellaneous loss, and receiver loss, is used to train three regression models: gradient boosting regression (GBR), random forest regression (RFR), and KNearest Neighbor (KNN). The algorithm compares the received signal levels (RSL) of new data with a threshold value, triggering a "Fault" or "No-fault" condition. A "Fault" indicates a deviation in the RSL, prompting maintenance by the field support team. A "No-fault" means the RSL is within the accepted range, requiring no maintenance. Performance evaluation metrics such as mean absolute error (MAE), mean square error (MSE), R-squared, and root mean square error (RMSE) were compared to select the optimal model. Experimental results show that the RFR model outperforms GBR and KNN with MAE: 0.007101, MSE: 0.000610, R-squared: 0.999992, and RMSE: 0.024697. Leveraging these machine learning-based fault detection models enables telecom service providers to optimize network performance, reduce downtime, and increase customer satisfaction.
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