Indoor Radio Dot Placement Optimization using UE Positioning and K-Means Clustering
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
Indoor deployment with low cost and high capacity has shown to be a cost-effective solution in 5G wireless networks. In indoor 5G networks, Radio Dot (RD) units handle the wireless interfacing between UE devices and the core network. Strategic placement of indoor 5G RD units to ensure higher coverage of the space with optimal performance is challenging, since various factors could affect signal penetration, including floor plan, building materials, wall construction, frequency band, interference, dynamic factors like user density, etc. Most static parameters are well considered during the deployment stage, with deployment tools and network planning strategy. However, the dynamic impact of user density and distribution on channel quality and performance is still an open research area. With the user equipment (UE) positioning and channel quality indicator (CQI), the areas with poor channel quality data could be detected and further analyzed to dynamically determine RD locations and adjust accordingly for better network performance, without extra radio hardware costs introduced. This paper adopted the K-means clustering algorithm to evaluate the scenario where all the RD unit locations can be adjusted. Further, a Node Adjustment algorithm for RD units was proposed to improve indoor 5G network performance for a cost-efficient solution. The number of UEs and their distribution were simulated, and a comparative evaluation was conducted for different algorithms and various scenarios. The experimental results showed that considering dynamic information to adjust RD unit placements in a building could provide a cost-efficient solution to optimize indoor 5G network performance.
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 | 0,001 | 0,001 |
| 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