Maschinenlernen-Methoden zur Ressourcenallokation in der drahtlosen Kommunikation

Der Bedarf an drahtlosen Kommunikationsdiensten wächst täglich. Dies hat die Nachfrage nach effizientem Spektrumsmanagement erhöht. Spektrumressourcen können aufgrund traditioneller statischer Zuweisungstechniken untergenutzt sein. Dynamische und adaptive Spektrumsallokation wird durch Methoden des maschinellen Lernens (ML) ermöglicht, die Echtzeitänderungen als Antwort auf sich ändernde Nachfrage- und Nutzungsmuster bieten. Hier werden basierend auf dem Rahmenwerk des maschinellen Lernens und den Bewertungsmetriken verschiedene Algorithmen wie Maschinenlineare Regression (MLR), Support Vector Machine (SVM), Gradient Boosting Regression (GBR), Entscheidungsbaum (DT) und K-nearest neighbors (KNN) untersucht und miteinander verglichen. Das KNN-Modell hat den niedrigsten MSE von 0,0084 und einen hohen r2-Wert von 0,8835 im Vergleich zu anderen Modellen, was auf den niedrigsten Fehler bei hoher Präzision hinweist. Darüber hinaus wird es zur Vorhersage der Ressourcenallokation der drahtlosen Kommunikation unter Berücksichtigung der Signalstärke, Latenz und erforderlichen Bandbreite verschiedener Nutzer eingesetzt, was die wichtigsten Einschränkungen bei der Ressourcenallokation darstellt.