Показати скорочену інформацію

dc.contributor.authorВасильківський, М. В.uk
dc.contributor.authorПрикмета, А. В.uk
dc.contributor.authorОлійник, А.uk
dc.contributor.authorНікітович, Д. В.uk
dc.date.accessioned2023-09-26T13:25:06Z
dc.date.available2023-09-26T13:25:06Z
dc.date.issued2023
dc.identifier.citationОптимізація інтелектуальних телекомунікаційних мереж [Текст] / М. В. Васильківський, А. В. Прикмета, А. Олійник, Д. В. Нікітович // Вісник Хмельницького національного університету. Серія «Технічні науки». – 2023. – № 1. (317). – С. 33–41.uk
dc.identifier.issn2307-5732
dc.identifier.urihttp://ir.lib.vntu.edu.ua//handle/123456789/37888
dc.description.abstractThe paper presents the results of research on the use of machine learning in telecommunication networks and describes the basics of the theory of artificial intelligence. The impact of dynamic Bayesian network (DBN) and DNN on the development of many technologies, including user activity detection, channel estimation, and mobility tracking, is determined. The indicators of the effectiveness of communications based on the theory of information bottlenecks, which is at the junction of machine learning and forecasting, statistics and information theory, are considered. A neural network model that is pretrained for high-level tasks and divided into transmitter-side and receiver-side uses is investigated. The process of learning the model, which is performed after its adjustment, taking ino account the existing transmission channels, is considered. New ANN learning techniques capable of predicting or adapting to sudden changes in a wireless network, such as federated learning and multiagent reinforcement learning (MARL), are reviewed. The DBN model, which describes a system that dynamically changes or develops over time, is studied. The considered model provides constant monitoring of work and updating of the system and prediction of its behavior. Distributed forecasting of channel states and user locations as a key component in the development of reliable wireless communication systems is studied. The possibility of increasing the number of degrees of freedom of the generalized wireless channel G(E) in terms of: the physical propagation channel, the directional diagram of the antenna array and mutual influence, electromagnetic physical characteristics is substantiated. The impact of ultra-highresolution theory on the development of many technologies, including localization algorithms, compressed sampling, and wireless imaging algorithms, is also identified. Mathematical expressions for optimizing the functional characteristics of 5G/6G radio networks are presented using new, sufficiently formal and at the same time universal mathematical tools with an emphasis on deep learning technologies, which allow systematic, reliable and interpretable analysis of large random networks and a wide range of their network models and practical networks.en
dc.description.abstractВ роботі наведено результати досліджень особливості використання машинного навчання в телекомунікаційних мережах та здійснено опис основ теорії штучного інтелекту. Визначено характер випливу динамічної байєсівської мережі (DBN) та DNN на розвиток багатьох технологій, включаючи виявлення активності користувача, оцінку каналу та відстеження мобільності. Розглянуто показники ефективності комунікацій на основі теорії інформаційних вузьких місць, яка знаходиться на стику машинного навчання та прогнозування, статистики і теорії інформації. Наведено математичні вирази оптимізації функціональних характеристик радіомереж 5G/6G з використанням нових, достатньо формальних і водночас універсальних математичних інструментів з акцентом на технології глибокого навчання, що дозволяють проводити систематичний, надійний та інтерпретований аналіз великих випадкових мереж та широкий спектр їх мережевих моделей і практичних мережuk
dc.language.isouk_UAuk_UA
dc.publisherХмельницький національний університетuk
dc.relation.ispartofВісник Хмельницького національного університету. № 1 : 33–41.uk
dc.relation.ispartofseriesТехнічні наукиuk
dc.subjectглибока нейронна мережаuk
dc.subjectбагатоагентне навчання з підкріпленнямuk
dc.subjectдинамічна байєсівська мережаuk
dc.subjectнадроздільна здатністьuk
dc.subjectприхована марківська модельuk
dc.subjectбездротовий каналuk
dc.subjectdeep neural networken
dc.subjectmulti-agent reinforcement learningen
dc.subjectdynamic Bayesian networken
dc.subjectsuper-resolutionen
dc.subjecthidden Markov modelen
dc.subjectwireless channelen
dc.titleОптимізація інтелектуальних телекомунікаційних мережuk
dc.typeArticle
dc.identifier.udc621.391uk
dc.identifier.doihttps://doi.org/10.31891/2307-5732-2023-317-1-33-41
dc.identifier.orcidhttps://orcid.org/0000-0002-6586-2563
dc.identifier.orcidhttps://orcid.org/0000-0002-8907-1221uk


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію