Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

2 2024

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Pandemia prediction using machine learning

Hussein Amir Nasir, Makki Seyed Vahab AL-Din, Al-Sabbagh Ali

Przegląd Elektrotechniczny

2024

R. 100, nr 5

211--214

Coronavirus disease 2019 (COVID-19) is caused a large number of death. Therefore, that Artificial Intelligence (A.I) solution might be capable to identify COVID-19 quickly and early. This paper applies Three ML models to Covid-19 prediction process. We discovered the main dominant variable to decide the negative or positive patient by using different ML models in the prediction process, for instance (LR, XG Boost, and RF). The study and models have been applied for one million patients from European Commission (EC), this data set (cough, fever, sore throat, breath, and headache) been considered as a data sensor coming to the proposed system. The aim is to choose the best ML model for Covid-9 prediction. In addition, all models and dataset have been sufficiently presented with all clarifications and justifications. Also, our data have been provided for one million patients from European Commission (EC). Then, feature selection to prepare the dominant parameters of Cvid-19, which are (cough, fever, sore throat, breath, and headache). As a result, the RF and XG boost obtained the best accuracy in the decision of positive or negative based on nine variables.

Choroba koronawirusowa 2019 (COVID-19) jest przyczyną dużej liczby zgonów. Dlatego to rozwiązanie oparte na sztucznej inteligencji (AI) może być w stanie szybko i wcześnie zidentyfikować Covid-19. W artykule zastosowano trzy modele ML do procesu przewidywania Covid-19. Odkryliśmy główną dominującą zmienną decydującą o tym, czy pacjent jest negatywny, czy pozytywny, stosując w procesie przewidywania różne modele ML, na przykład (LR, XG Boost i RF). Badanie i modele zastosowano w przypadku miliona pacjentów z Komisji Europejskiej (KE). Ten zestaw danych (kaszel, gorączka, ból gardła, oddech i ból głowy) uznano za czujnik danych docierających do proponowanego systemu. Celem jest wybór najlepszego modelu ML do przewidywania Covid-9. Ponadto wszystkie modele i zbiory danych zostały dostatecznie przedstawione ze wszystkimi wyjaśnieniami i uzasadnieniami. Nasze dane dotyczące miliona pacjentów przekazała także Komisja Europejska (KE). Następnie dokonaj selekcji cech, aby przygotować dominujące parametry Cvid-19, którymi są (kaszel, gorączka, ból gardła, oddech i ból głowy). W rezultacie wzmocnienie RF i XG uzyskało najlepszą dokładność w podejmowaniu decyzji pozytywnej lub negatywnej na podstawie dziewięciu zmiennych.

KPI analysis of 4G/5G networks

AL-nasrawi Mahdi, AL-Din Makki Seyed Vahab, Al-Sabbagh Ali

Przegląd Elektrotechniczny

2024

R. 100, nr 7

67--71

The development of mobile networks, especially after the 5G network service entered into implementation and deployment in the world, the increase in demand for broadband, and the increase in the number of subscribers. This created complexity in the networks and difficulty in managing them. Therefore, it has become necessary to study and analyze the key performance indicators (KPI) that provide the potential information needed to successfully deploy the network and study the performance and improved networks. This work therefore describes LTE-4G and NR-5G data measurements and KPI performance analysis of data collected via a drive test (DT) process for two operators in Austria. Data measurements focused on parameters that directly affect network strength and quality, such as Reference Signal Received Power (RSRP), Reference Signal Received Quality (RSRQ), Signal to Interference and Noise Ratio (SINR), Received Signal Strength Index (RSSI), and downlink uplink data transfer rate (DL/UL throughput). Through the results of analyzing these parameters, it is possible to know the strength and quality of the network and to know the locations of weak points so that a specialist can maintain and address network errors. Finally, analyzing the parameters of key performance indicators provides high flexibility and simplicity in managing and monitoring the performance of mobile networks, reducing complexity, reducing maintenance time and cost, and gaining customer satisfaction.

Rozwój sieci mobilnych, zwłaszcza po wejściu w życie i wdrożeniu usługi sieci 5G na świecie, wzrost zapotrzebowania na łącze szerokopasmowe oraz wzrost liczby abonentów. Spowodowało to złożoność sieci i trudności w zarządzaniu nimi. Dlatego konieczne stało się badanie i analizowanie kluczowych wskaźników wydajności (KPI), które dostarczają potencjalnych informacji potrzebnych do pomyślnego wdrożenia sieci oraz badania wydajności i ulepszonych sieci. Dlatego też w niniejszej pracy opisano pomiary danych LTE-4G i NR-5G oraz analizę wydajności KPI danych zebranych w procesie testu jazdy (DT) dla dwóch operatorów w Austrii. Pomiary danych skupiały się na parametrach, które bezpośrednio wpływają na siłę i jakość sieci, takich jak moc odebrana sygnału odniesienia (RSRP), jakość odebranego sygnału odniesienia (RSRQ), stosunek sygnału do zakłóceń i szumu (SINR), wskaźnik siły odebranego sygnału (RSSI) oraz szybkość przesyłania danych w łączu w dół i w górę (przepustowość DL/UL). Dzięki wynikom analizy tych parametrów można poznać siłę i jakość sieci oraz poznać lokalizacje słabych punktów, aby specjalista mógł konserwować i eliminować błędy sieci. Wreszcie, analiza parametrów kluczowych wskaźników wydajności zapewnia dużą elastyczność i prostotę w zarządzaniu i monitorowaniu wydajności sieci komórkowych, zmniejszając złożoność, skracając czas i koszty konserwacji oraz zdobywając satysfakcję klienta.