Análisis del estado de arte de Técnicas de Soft Computing aplicadas a problemas de planificación de red en 5G.
Bibliographic record
Abstract
En el presente artículo se realizó una revisión del estado del arte de la aplicación de las técnicas de Soft Computing en la resolución de problemas de planificación de redes 5G, para lo cual se clasificó las diferentes técnicas de soft computing existentes (redes neuronales, lógica difusa, algoritmos evolutivos) y de los trabajos e investigaciones realizados sobre el tema según sus autores, los modelos planteados y los métodos de solución. Adicionalmente se describieron las investigaciones más relevantes en donde se especifican técnicas para dar solución a los problemas de arquitecturas y funcionalidades cruciales en el desarrollo de esta tecnología, entre los cuales se resalta: encontrar una posición óptima para una Estación Base (BS) en un área de interés determinada, operar en las bandas de frecuencias múltiples deseadas mientras se mantiene una alta ganancia, limitar el consumo de energía en las infraestructuras de red 5G y tratar de incrementar la calidad del servicio al disminuir la probabilidad de bloqueo de llamadas. Finalmente se concluyó que las técnicas de soft computing más aplicadas a la solución de problemas de planificación de las redes 5G son lógica difusa, para limitar el consumo de energía en las infraestructuras de red 5G, además de las redes neuronales artificiales y algoritmos genéticos para la admisión de llamadas en redes 5G con la finalidad de incrementar la calidad del servicio al disminuir las interferencias.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".