DC Field | Value | Language |
dc.contributor.author | Гридасова, А. А. | - |
dc.contributor.author | Дэлеф, Н. Р. | - |
dc.coverage.spatial | Минск | en_US |
dc.date.accessioned | 2025-06-16T06:27:28Z | - |
dc.date.available | 2025-06-16T06:27:28Z | - |
dc.date.issued | 2025 | - |
dc.identifier.citation | Гридасова, 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.uri | https://libeldoc.bsuir.by/handle/123456789/60231 | - |
dc.description.abstract | Рассмотрены 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.iso | ru | en_US |
dc.publisher | БГУИР | en_US |
dc.subject | материалы конференций | en_US |
dc.subject | функции самооптимизации | en_US |
dc.subject | сети сотовой связи | en_US |
dc.title | Прогнозирование покрытия и пропускной способности в сетях сотовой связи при решении задач самооптимизации | en_US |
dc.title.alternative | Predicting coverage and capacity in cellular networks when solving self-optimization problems | en_US |
local.description.annotation | Self-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 identified | en_US |
Appears in Collections: | Радиотехника и электроника : материалы 61-й научной конференции аспирантов, магистрантов и студентов (2025)
|