A Survey on Long Term Evolution Scheduling in Data Mining

Mohan, Divya; Amalanathan, Geetha Mary

doi:10.1007/s11277-018-5909-9

Cited by 5 publications

(2 citation statements)

References 57 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Although feature selection is a good technique to improve clustering effectiveness and to reduce its processing time, it may suppress some relevant system information owing to its characteristics. However, if feature selection is ignored and too much information is included, this may cause the clustering algorithm to perform poorly owing to the curse of dimensionality .…”

Section: Introductionmentioning

confidence: 99%

Clustering‐Based Resource Allocation mechanism in Long Term Evolution Advanced networks with auto‐encoder for feature learning

Santos¹

2019

Trans Emerging Tel Tech

View full text Add to dashboard Cite

Clustering‐Based Resource Allocation (CBRA) is a relatively recent approach applied in some communication network technologies that executes resource allocation rules by following patterns discovered in the user and traffic flow information. It is a useful option for classifying traffic and detecting the most suitable Quality‐of‐Service parameters to perform improved resource allocation, especially in mobile systems such as Long Term Evolution Advanced, which are growing in user demand. An open issue in the CBRA approach is the necessity to perform feature engineering manually (feature selection), which may cause loss of relevant system information and consequent deterioration of performance. In this research article, we present a novel CBRA mechanism that implements an auto‐encoder to perform feature learning, thus avoiding feature selection. The auto‐encoder, deployed at the early stages of the CBRA mechanism, transforms the user and traffic flow data into a shortened representation, preventing the curse of dimensionality while capturing the nonlinear correlations of the data. The simulation results indicate better cluster formation and performance improvement for real‐time video applications using the proposed mechanism.

show abstract

Section: Introductionmentioning

confidence: 99%

Clustering‐Based Resource Allocation mechanism in Long Term Evolution Advanced networks with auto‐encoder for feature learning

Santos¹

2019

Trans Emerging Tel Tech

View full text Add to dashboard Cite

show abstract

“…Para reduzir a quantidade de características, recorre-se muitas vezes ao procedimento de seleção de características ou feature selection (Seção 4.2.1), assim como realizado em [21][22][23][24] e [28], por exemplo, em que elegem-se as características mais importantes para o modelo e problema analisados. A seleção de característicasé bastante conveniente para melhorar a eficiência do clustering e também para reduzir seu tempo de processamento [44]. Entretanto, embora os diferentes tipos de seleção de características disponíveis sejam sempre orientados ao modelo empregado [45], eles podem suprimir informações relevantes para o algoritmo de Aprendizado de Máquina [46], restringindo a capacidade do CBRA.…”

Section: Definição Do Problemaunclassified

Alocação de Recursos baseada em Clustering com Aprendizado de Características e Orientação a QoS em Redes LTE-Advanced

Santos¹

View full text Add to dashboard Cite

A Deus em primeiro lugar, sempre. Eleé o Princípio e o Fim, o Alfa e oÔmega. Agradeço a Ele por me conceder perdão, direção, esperança e a perseverança para seguir em frente sem desistir. Obrigado Senhor! A minha amada esposa Heloiza. Agradeço pelo amor, pelas palavras de consolo e motivação, pela força transmitida, pelas orações e pelas lágrimas que derramamos juntos. Foram muitos momentos difíceis, e hoje podemos celebrar não apenas essa vitória mas também a chegada de nossa filha! Plantamos e colhemos. Obrigado por acreditar e me apoiar! Quero cumprir logo minha promessa! Te amo! Ao meu orientador, professor Paulo Roberto Guardieiro. Agradeço pelo ensino, dedicacão, paciência, compreensão e por motivar, direta e indiretamente, a conclusão deste trabalho. Aprendi muito contigo, apesar de nossas divergências. Muito obrigado! Aos meus colegas da UFCat -CERCOMP: Paulo; Samuel; Guilherme; Ana Paula; e Luiz Fernando. O apoio de vocês foi fundamental! Agradeço pela compreensão em meus momentos de ausência, pela alegria, pelo ombro amigo e pelo companheirismo. Trabalhar com vocêsé um privilégio para poucos! Que Deus recompense o bem que me fizeram e que nossa amizade se estreite ainda mais! A minha mãe, Valquíria, e ao meu pai, Leonardo. Agradeço simplesmente por tê-los vivos e com saúde.É um prazer incomensurável concluir essa etapa da vida na presença de vocês! Desejo honrá-los com o título de doutor. Vocês fizeram isso acontecer! Muito obrigado! A todos os parentes, amigos e colegas que, de alguma forma, acreditaram em mim. Mesmo sem mencionar individualmente (são muitos!), agradeço por cada gesto de apoio e suporte. Agradeço pelas orações, pelas palavras de motivação, pela torcida. . . Cheguei até o fim com a ajuda de todos vocês! Obrigado! Aos técnicos administrativos e ao corpo docente da Faculdade de Engenharia Elétrica da UFU, pelo apoio técnico e acadêmico. A UFG/UFCat, pela concessão de afastamento durantes os anos de 2015 e 2016. v "Porque dEle, e por meio dEle, e para Ele são todas as coisas. A Ele, pois a glória eternamente. Amém!" (Romanos 11:36) Veni, vidi, Deus vicit.vi Resumo A crescente demanda por acesso a redes móveis sem fio tem elevado os custos operacionais e gerenciais assim como os níveis mínimos exigidos de Qualidade de Serviço, ou Quality of Service (QoS), para provisionamentoàs aplicações em redes Long Term Evolution Advanced (LTE-A). Apesar das especificações mais recentes do LTE-A oferecerem tecnologias capazes de reduzir custos, elas não são preparadas para lidar com o Big Data, caracterizado por um grande volume de dados constantemente produzidos em alta velocidade, variedade, veracidade e valor em sistemas de informação e comunicação. Neste sentido, o Aprendizado de Máquina, ou Machine Learning,é amplamente utilizado e recomendado para processar Big Data. A estratégia Clustering-Based Resource Allocation (CBRA), idealizada para alocacão autônoma de recursos por meio do uso da "clusterização", ou clustering (uma tarefa realizada por Aprendizado de Máquina), categoriza usuários e aplicaç...

show abstract

Wireless Communication Based Evaluation of Power Consumption for Constrained Energy System

Krishnamoorthy

Soubache²,

Jain

2021

Wireless Pers Commun

View full text Add to dashboard Cite

A Survey on Long Term Evolution Scheduling in Data Mining

Cited by 5 publications

References 57 publications

Clustering‐Based Resource Allocation mechanism in Long Term Evolution Advanced networks with auto‐encoder for feature learning

Clustering‐Based Resource Allocation mechanism in Long Term Evolution Advanced networks with auto‐encoder for feature learning

Alocação de Recursos baseada em Clustering com Aprendizado de Características e Orientação a QoS em Redes LTE-Advanced

Wireless Communication Based Evaluation of Power Consumption for Constrained Energy System

Contact Info

Product

Resources

About