Skip navigation
Please use this identifier to cite or link to this item: https://libeldoc.bsuir.by/handle/123456789/60231
Full metadata record
DC FieldValueLanguage
dc.contributor.authorГридасова, А. А.-
dc.contributor.authorДэлеф, Н. Р.-
dc.coverage.spatialМинскen_US
dc.date.accessioned2025-06-16T06:27:28Z-
dc.date.available2025-06-16T06:27:28Z-
dc.date.issued2025-
dc.identifier.citationГридасова, А. А. Прогнозирование покрытия и пропускной способности в сетях сотовой связи при решении задач самооптимизации = Predicting coverage and capacity in cellular networks when solving self-optimization problems / А. А. Гридасова, Н. Р. Дэльф // Радиотехника и электроника : сборник материалов 61-й научной конференции аспирантов, магистрантов и студентов, Минск, 22–23 апреля 2025 / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2025. – С. 43–46.en_US
dc.identifier.urihttps://libeldoc.bsuir.by/handle/123456789/60231-
dc.description.abstractРассмотрены функции самооптимизации при решении задач самоорганизации сетей сотовой связи. Приведен обзор методов машинного обучения для прогнозирования покрытия и пропускной способности в сетях сотовой связи. Определены источники входных данных для алгоритмов машинного обучения. Выявлены открытые вопросы, которые требуется решить при внедрении в самоорганизующиеся сети сотовой связи интеллектуальных средств прогнозирования покрытия и пропускной способности.en_US
dc.language.isoruen_US
dc.publisherБГУИРen_US
dc.subjectматериалы конференцийen_US
dc.subjectфункции самооптимизацииen_US
dc.subjectсети сотовой связиen_US
dc.titleПрогнозирование покрытия и пропускной способности в сетях сотовой связи при решении задач самооптимизацииen_US
dc.title.alternativePredicting coverage and capacity in cellular networks when solving self-optimization problemsen_US
local.description.annotationSelf-optimization functions in solving the problems of self-organization of cellular networks are considered. The review of machine learning methods for coverage and capacity prediction in cellular networks is given. Sources of input data for machine learning algorithms are identified. Open issues that need to be solved when implementing intelligent coverage and capacity prediction tools in self-organizing cellular networks are identifieden_US
Appears in Collections:Радиотехника и электроника : материалы 61-й научной конференции аспирантов, магистрантов и студентов (2025)

Files in This Item:
File Description SizeFormat 
Gridasova_Prognozirovanie.pdf495.29 kBAdobe PDFView/Open
Show simple item record Google Scholar

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.