Skip to content
Publikuj i Dystrybuuj
Rozwiązania Wydawnicze
Rozwiązania Dystrybucyjne
Usługi biblioteczne
Dziedziny
Architektura i projektowanie
Bibliotekoznawstwo i bibliologia
Biznes i ekonomia
Chemia
Chemia przemysłowa
Filozofia
Fizyka
Historia
Informatyka
Inżynieria
Inżynieria materiałowa
Językoznawstwo i semiotyka
Kulturoznawstwo
Literatura
Matematyka
Medycyna
Muzyka
Nauki farmaceutyczne
Nauki klasyczne i starożytne studia bliskowschodnie
Nauki o Ziemi
Nauki o organizmach żywych
Nauki społeczne
Prawo
Sport i rekreacja
Studia judaistyczne
Sztuka
Teologia i religia
Zagadnienia ogólne
Publikacje
Czasopisma
Książki
Materiały konferencyjne
Wydawcy
Journal Matcher
Blog
Kontakt
Wyszukiwanie
Polski
English
Deutsch
Polski
Español
Français
Italiano
Koszyk
Home
Czasopisma
International Journal of Applied Mathematics and Computer Science
Tom 31 (2021): Zeszyt 1 (Marzec 2021)
Otwarty dostęp
Ensemble learning techniques for transmission quality classification in a Pay&Require multi-layer network
Dariusz Żelasko
Dariusz Żelasko
Department of Information and Communications Technology, Cracow University of Technology
Kraków, Poland
Wyszukaj tego autora
Sciendo
|
Google Scholar
Żelasko, Dariusz
oraz
Paweł Pławiak
Paweł Pławiak
Department of Information and Communications Technology, Cracow University of Technology
Kraków, Poland
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences
Gliwice, Poland
Wyszukaj tego autora
Sciendo
|
Google Scholar
Pławiak, Paweł
03 kwi 2021
International Journal of Applied Mathematics and Computer Science
Tom 31 (2021): Zeszyt 1 (Marzec 2021)
O artykule
Poprzedni artykuł
Następny artykuł
Abstrakt
Referencje
Autorzy
Artykuły w tym zeszycie
Podgląd
PDF
Zacytuj
Udostępnij
Pobierz okładkę
Data publikacji:
03 kwi 2021
Zakres stron:
135 - 153
Otrzymano:
26 cze 2020
Przyjęty:
06 lis 2020
DOI:
https://doi.org/10.34768/amcs-2021-0010
Słowa kluczowe
Pay&Require
,
ensemble learning
,
machine learning
,
resource allocation
,
QoS
© 2021 Dariusz Żelasko et al., published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 3.0 License.