دانلود کتاب Machine Learning for Future Wireless Communications
36,000 تومان
یادگیری ماشینی برای ارتباطات بی سیم آینده
| موضوع اصلی | مهندسی |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Wiley-IEEE |
| تعداد صفحه | 491 |
| حجم فایل | 18.79 مگابایت |
| کد کتاب | 1119562252 , 9781119562252 |
| نویسنده | |
|---|---|
| زبان |
انگلیسی |
| فرمت |
|
| سال انتشار |
2020 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
Mainly categorized into supervised learning, unsupervised learning, and reinforcement learning, various machine learning (ML) algorithms can be used to provide better channel modeling and estimation in millimeter and terahertz bands; to select a more adaptive modulation (waveform, coding rate, bandwidth, and filtering structure) in massive multiple-input and multiple-output (MIMO) technology; to design more efficient front-end and radio-frequency processing (pre-distortion for power amplifier compensation, beamforming configuration, and crest-factor reduction); to deliver a better compromise in self-interference cancellation for full-duplex transmissions and device-to-device communications; and to offer a more practical solution for intelligent network optimization, mobile edge computing, networking slicing, and radio resource management related to wireless big data, mission-critical communications, massive machine-type communications, and tactile Internet.
ترجمه فارسی (ترجمه ماشینی)
فناوری یادگیری ماشین مبتنی بر NN عمیق به دلیل توانایی پردازش نقشهبرداری و توزیع غیرخطی قدرتمند خود، به عنوان ابزاری بسیار امیدوارکننده برای حمله به چالش بزرگ در ارتباطات و شبکههای بیسیم در نظر گرفته میشود که ناشی از افزایش تقاضا از نظر ظرفیت، پوشش و تأخیر است. کارایی (قدرت، طیف فرکانس و سایر منابع)، انعطاف پذیری، سازگاری، کیفیت تجربه، و همگرایی سیلیکون.
الگوریتمهای مختلف یادگیری ماشین (ML) که عمدتاً به یادگیری نظارتشده، یادگیری بدون نظارت و یادگیری تقویتی طبقهبندی میشوند، میتوانند برای ارائه مدلسازی کانال و تخمین بهتر در باندهای میلیمتری و تراهرتز استفاده شوند. برای انتخاب مدولاسیون سازگارتر (شکل موج، نرخ کدگذاری، پهنای باند، و ساختار فیلتر) در فناوری عظیم چند ورودی و چند خروجی (MIMO). برای طراحی کارآمدتر پردازش فرکانس رادیویی و جلویی (پیش اعوجاج برای جبران تقویت کننده قدرت، پیکربندی شکل دهی پرتو، و کاهش ضریب تاج). برای ارائه مصالحه بهتر در لغو تداخل خود برای انتقال دوطرفه کامل و ارتباطات دستگاه به دستگاه؛ و برای ارائه راه حل عملی تر برای بهینه سازی شبکه هوشمند، محاسبات لبه موبایل، برش شبکه، و مدیریت منابع رادیویی مربوط به داده های بزرگ بی سیم، ارتباطات حیاتی ماموریت، ارتباطات عظیم از نوع ماشین، و اینترنت لمسی.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.