Управління мережами мобільного зв’язку 5G за допомогою використання технологій штучного інтелекту

Simple item page
dc.citation.epage10
dc.citation.issue1
dc.citation.journalTitleІнфокомунікаційні технології та електронна інженерія
dc.citation.spage1
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnik National University
dc.contributor.authorШубин, Б.
dc.contributor.authorКлимаш, М.
dc.contributor.authorМасюк, А.
dc.contributor.authorОсташевський, А.
dc.contributor.authorShubyn, B.
dc.contributor.authorKlymash, M.
dc.contributor.authorMaksymyuk, T.
dc.contributor.authorOstashevskiy, A.
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2023-03-03T11:09:21Z
dc.date.available2023-03-03T11:09:21Z
dc.date.created2021-04-01
dc.date.issued2021-04-01
dc.description.abstractСтаття стосується проблеми надмірного навантаження трафіком комірок базових станцій. З метою зменшення впливу цієї проблеми на якість послуг операторів мережі мобільного зв’язку запропоновано використовувати технологію штучного інтелекту (ШІ) для аналізу та прогнозування навантаження у мережі. ШІ чудово підходить для середовищ із безпровідним зв’язком, оскільки в ньому є безліч доступних даних для аналізу та отримання певних шаблонів. В статті запропоновано модель машинного навчання та архітектуру нейронної мережі для прогнозування навантаження на 5G комірки.
dc.description.abstractThe article is devoted to the problem of excessive traffic of base station cells. In order to reduce the impact of this problem on the quality of services of mobile network operators, it is proposed to use artificial intelligence (AI) technology to analyze and predict the load on the network. AI is great for wireless environments, as it has a lot of data available for analysis and obtaining certain patterns. The article proposes a model of machine learning and neural network architecture for forecasting the load on 5G cells.
dc.format.extent1-10
dc.format.pages10
dc.identifier.citationУправління мережами мобільного зв’язку 5G за допомогою використання технологій штучного інтелекту / Б. Шубин, М. Климаш, А. Масюк, А. Осташевський // Інфокомунікаційні технології та електронна інженерія. — Львів : Видавництво Львівської політехніки — Vol 1. — № 1. — С. 1–10.
dc.identifier.citationenShubyn B., Klymash M., Maksymyuk T., Ostashevskiy A. Upravlinnia merezhamy mobilnoho zviazku 5G za dopomohoiu vykorystannia tekhnolohii shtuchnoho intelektu [5G networks management methods using artificial intelligence instrumentality]. Infocommunication Technologies and Electronic Engineering (Lviv), vol. 1, no 1, pp. 1-10 [in Ukrainian].
dc.identifier.issn2786-4553
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/57474
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofІнфокомунікаційні технології та електронна інженерія, 1 (1)
dc.relation.ispartofInfocommunication Technologies and Electronic Engineering, 1 (1)
dc.relation.references[1] R. Li, Z. Zhao, X. Zhou, G. Ding, Y. Chen, Z. Wang, and H. Zhang, “Intelligent 5G: When cellular networks meet artificial intelligence”, IEEE Wireless Commun., vol. 24, no. 5, pp. 175–183, Oct. 2017.
dc.relation.references[2] Koutník, J., Gomez, F., &Schmidhuber, J. Evolving neural networks in compressed weight space, 2010.
dc.relation.references[3] B. Bojović, E. Meshkova, N. Baldo, J. Riihijärvi, and M. Petrova, “Machine learning-based dynamic frequency and bandwidth allocation in self-organized LTE dense small cell deployments”, EURASIP J. Wireless Commun. Netw., vol. 2016, no. 1, 2016, Art. no. 183.
dc.relation.references[4] A. Rosebrock, Deep Learning for Computer Vision, 1st ed. Baltimore, MD, USA: PyImageSearch, 2017. [Online]. Available: https://www.pyimagesearch.com/deep-learning-computer-vision- python-book/
dc.relation.references[5] H. Sun et al., “Learning to optimize: Training deep neural networks for interference management”, IEEE Trans. Signal Process., vol. 66, no. 20, pp. 5438–5453, Oct. 2018.
dc.relation.referencesen[1] R. Li, Z. Zhao, X. Zhou, G. Ding, Y. Chen, Z. Wang, and H. Zhang, "Intelligent 5G: When cellular networks meet artificial intelligence", IEEE Wireless Commun., vol. 24, no. 5, pp. 175–183, Oct. 2017.
dc.relation.referencesen[2] Koutník, J., Gomez, F., &Schmidhuber, J. Evolving neural networks in compressed weight space, 2010.
dc.relation.referencesen[3] B. Bojović, E. Meshkova, N. Baldo, J. Riihijärvi, and M. Petrova, "Machine learning-based dynamic frequency and bandwidth allocation in self-organized LTE dense small cell deployments", EURASIP J. Wireless Commun. Netw., vol. 2016, no. 1, 2016, Art. no. 183.
dc.relation.referencesen[4] A. Rosebrock, Deep Learning for Computer Vision, 1st ed. Baltimore, MD, USA: PyImageSearch, 2017. [Online]. Available: https://www.pyimagesearch.com/deep-learning-computer-vision- python-book/
dc.relation.referencesen[5] H. Sun et al., "Learning to optimize: Training deep neural networks for interference management", IEEE Trans. Signal Process., vol. 66, no. 20, pp. 5438–5453, Oct. 2018.
dc.relation.urihttps://www.pyimagesearch.com/deep-learning-computer-vision-
dc.rights.holder© Національний університет „Львівська політехніка“, 2021
dc.subjectштучний інтелект
dc.subjectмашинне навчання
dc.subjectнейронні мережі
dc.subject5G
dc.subjectartificial intelligence
dc.subjectmachine learning
dc.subjectneural networks
dc.subject5G
dc.subject.udc621.126
dc.titleУправління мережами мобільного зв’язку 5G за допомогою використання технологій штучного інтелекту
dc.title.alternative5G networks management methods using artificial intelligence instrumentality
dc.typeArticle

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
v1n1_Shubyn_B-5G_networks_management_methods_1-10.pdf
Size:
1.36 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.84 KB
Format:
Plain Text
Description:
Download

Collections

Infocommunication Technologies and Electronic Engineering. – 2021. – Vol. 1, No. 1