Development of a Machine Learning Based Fault Detection Model for Received Signal Level in Telecommunication Enterprise Infrastructure
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».