論文の概要: Optimized Quality of Service prediction in FSO Links over South Africa using Ensemble Learning

• arxiv url: http://arxiv.org/abs/2411.06832v1
• Date: Mon, 11 Nov 2024 09:48:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:06.614475
• Title: Optimized Quality of Service prediction in FSO Links over South Africa using Ensemble Learning
• Title（参考訳）: アンサンブル学習を用いた南アフリカにおけるFSOリンクのサービス予測の最適化
• Authors: S. O. Adebusola, P. A. Owolawi, J. S. Ojo, P. S. Maswikaneng,
• Abstract要約: 自由空間の光学通信は、霧、降水、吹雪、煙、土壌、そして大気中の氷の破片のような厳しい天候によって影響を受ける。 本稿では、トランスミッションモデリングにおけるアンサンブル学習技術を用いることで、サービス品質を大幅に向上させ、顧客サービスレベルの合意を満たすことができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Fibre optic communication system is expected to increase exponentially in terms of application due to the numerous advantages over copper wires. The optical network evolution presents several advantages such as over long-distance, low-power requirement, higher carrying capacity and high bandwidth among others Such network bandwidth surpasses methods of transmission that include copper cables and microwaves. Despite these benefits, free-space optical communications are severely impacted by harsh weather situations like mist, precipitation, blizzard, fume, soil, and drizzle debris in the atmosphere, all of which have an impact on the Quality of Service (QoS) rendered by the systems. The primary goal of this article is to optimize the QoS using the ensemble learning models Random Forest, ADaBoost Regression, Stacking Regression, Gradient Boost Regression, and Multilayer Neural Network. To accomplish the stated goal, meteorological data, visibility, wind speed, and altitude were obtained from the South Africa Weather Services archive during a ten-year period (2010 to 2019) at four different locations: Polokwane, Kimberley, Bloemfontein, and George. We estimated the data rate, power received, fog-induced attenuation, bit error rate and power penalty using the collected and processed data. The RMSE and R-squared values of the model across all the study locations, Polokwane, Kimberley, Bloemfontein, and George, are 0.0073 and 0.9951, 0.0065 and 0.9998, 0.0060 and 0.9941, and 0.0032 and 0.9906, respectively. The result showed that using ensemble learning techniques in transmission modeling can significantly enhance service quality and meet customer service level agreements and ensemble method was successful in efficiently optimizing the signal to noise ratio, which in turn enhanced the QoS at the point of reception.
• Abstract（参考訳）: 銅線よりも多くの利点があるため,光ファイバー通信は適用面で指数関数的に増加することが期待されている。 光ネットワークの進化は、長距離、低電力要求、高い搬送容量、高帯域幅など、銅ケーブルやマイクロ波を含む伝送方式を超越するいくつかの利点を示す。 これらの利点にもかかわらず、自由空間の光学通信は、霧、降水、吹雪、煙、土壌、大気中の破片といった厳しい気象状況によって深刻な影響を受け、これらすべてがシステムによって引き起こされる品質・オブ・サービス(QoS)に影響を及ぼす。 この記事では、Random Forest、ADaBoost Regression、Stacking Regression、Gradient Boost Regression、Multilayer Neural Networkといったアンサンブル学習モデルを用いてQoSを最適化する。 この目標を達成するために、気象データ、可視性、風速、高度は南アフリカ気象局の10年間(2010年から2019年まで)にポロクワン、キンバリー、ブルームフォンテイン、ジョージの4か所で取得された。 収集および処理データを用いて,データレート,受電量,霧による減衰量,ビット誤り率,パワーペナルティを推定した。 RMSEとRの2乗値はそれぞれ0.0073と0.9951、0.0065と0.9998、0.0060と0.9941、0.0032と0.9906である。 その結果,送信モデルにおけるアンサンブル学習技術はサービス品質を著しく向上させ,顧客サービスレベルの合意を満たすことができ,アンサンブル法は受信時のQoSを効率的に最適化することに成功した。

関連論文リスト

• WaveCatBoost for Probabilistic Forecasting of Regional Air Quality Data [0.0]
  この手紙は、大気汚染物質のリアルタイム濃度を予測するために設計された新しいWaveCatBoostアーキテクチャを提示する。 このハイブリッドアプローチは、時系列を高周波および低周波成分に効率よく変換し、ノイズから信号を抽出する。
  論文  参考訳（メタデータ） (2024-04-08T13:01:25Z)
• Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
  Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。 本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。 提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
  論文  参考訳（メタデータ） (2023-05-15T22:04:49Z)
• Over-the-Air Federated Edge Learning with Hierarchical Clustering [21.51594138166343]
  OTA(Over-the-air)アグリゲーションでは、パラメータサーバ(PS)の助けを借りて、モバイルユーザ(MU)がグローバルモデルに関するコンセンサスに到達することを目標としている。 OTA FLでは、MUはトレーニングラウンド毎にローカルデータを使用してモデルをトレーニングし、同じ周波数帯域を非符号化で同時に送信する。 OTA FLは通信コストが大幅に削減されているが、チャネル効果やノイズの影響を受けやすい。 我々は、中間サーバ(IS)を用いてMUがより密集した場所にクラスタを形成する無線ベースの階層FLスキームを提案する。
  論文  参考訳（メタデータ） (2022-07-19T12:42:12Z)
• Switching in the Rain: Predictive Wireless x-haul Network Reconfiguration [17.891837432766764]
  無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。 降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。 本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
  論文  参考訳（メタデータ） (2022-03-07T13:40:38Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• FedFog: Network-Aware Optimization of Federated Learning over Wireless Fog-Cloud Systems [40.421253127588244]
  フェデレートラーニング(FL)は、訓練されたローカルパラメータを定期的に集約することで、複数のエッジユーザにわたって大規模な分散機械学習タスクを実行することができる。 まず,フォグサーバにおける勾配パラメータの局所的な集約と,クラウドでのグローバルトレーニング更新を行うための効率的なFLアルゴリズム(FedFog)を提案する。
  論文  参考訳（メタデータ） (2021-07-04T08:03:15Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Gradient Statistics Aware Power Control for Over-the-Air Federated Learning [59.40860710441232]
  フェデレートラーニング(FL)は、多くのエッジデバイスが無線ネットワークで機械学習モデルを協調的にトレーニングできる有望なテクニックである。 本稿では、勾配統計を考慮に入れたオーバー・ザ・エアFLの電力制御問題について検討する。
  論文  参考訳（メタデータ） (2020-03-04T14:06:51Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。