Optimisation de la qualité de service (QoS) signal 5G pour le réseau d'accès radio (RAN - Radio Access Network)
Notice bibliographique
Résumé
La 5G, cinquième génération de technologie de télécommunications mobiles, offre des débits de données accrus, une latence réduite et une connectivité améliorée pour les appareils connectés, comparée au réseau 4G. Au Canada, la 5G est devenue un élément essentiel dans le secteur minier industriel, contribuant à l'amélioration de la productivité et assurant la communication entre les mineurs. Cependant, l'optimisation de la qualité de service (QoS) pour le réseau d'accès radio (RAN) demeure un défi pour garantir une expérience utilisateur optimale. \n \nDans ce mémoire, nous proposons une approche pour améliorer la QoS du RAN en utilisant la technologie 5G. Nous mettons l'accent sur l'impact du bruit sur la qualité du signal dans les communications souterraines et développons des filtres pour l'améliorer. Nous calculons des métriques de performance, telles que le taux d'erreur binaire (BER) et l'erreur vectorielle de modulation (EVM), pour évaluer l'efficacité de notre approche. \n \nDe plus, nous menons des expériences pour analyser les métriques BER et EVM en fonction de la distance dans une mine souterraine, afin d'évaluer la qualité du signal dans des environnements complexes. L'objectif de cette recherche est d'optimiser la QoS du RAN grâce à la technologie 5G, procurant ainsi une expérience utilisateur satisfaisante et améliorant par conséquent la productivité de l'industrie minière.
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 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».