I
n
d
on
e
s
ian
Jou
r
n
al
o
f
E
lec
t
r
ica
l
E
n
gin
e
e
r
in
g
a
n
d
Com
p
u
t
e
r
S
c
ience
Vo
l
.
37
,
N
o
.
2
,
F
e
b
r
ua
r
y
20
25
,
pp.
8
1
9
~
828
I
S
S
N:
2
502
-
4
7
52
,
DO
I
:
10
.
11591/i
j
e
e
cs
.v
37.
i
2
.
pp
8
1
9
-
828
819
Jou
r
n
al
h
o
m
e
page
:
ht
tp:
//
ij
e
e
cs
.
iaes
c
or
e
.
c
om
Op
t
i
m
i
z
at
io
n
m
ac
h
i
n
e
l
e
ar
n
in
g
m
o
d
e
ls
f
or
se
le
c
t
in
g t
r
an
sm
it
an
t
e
n
n
as i
n
5
G/
6G s
y
st
e
m
s
Abd
e
ll
ah
Ou
l
d
am
m
a
r
,
Abd
e
l
m
ou
n
ai
m
M
ou
l
ay
L
ak
h
d
a
r
,
Ahm
e
d
B
ou
id
a
,
K
h
al
e
d
M
e
r
it
L
a
b
or
a
to
r
y
of
I
n
f
or
ma
ti
o
n P
r
o
c
e
s
s
in
g a
nd
T
e
l
e
c
o
mm
uni
c
a
ti
o
n
(
L
T
I
T
)
, U
ni
ve
r
s
it
y
T
a
h
r
i
M
o
ha
mm
e
d
B
e
c
ha
r
,
B
e
c
ha
r
, A
lg
e
r
ia
Ar
t
ic
l
e
I
n
f
o
AB
S
T
RA
CT
A
r
ti
c
le
h
is
tor
y
:
R
e
c
e
i
ve
d
J
ul
2
,
202
4
R
e
vi
s
e
d
S
e
p
15
,
202
4
A
c
c
e
pt
e
d
S
e
p
29
,
202
4
T
ran
s
m
i
t
a
n
t
en
n
a
s
el
ec
t
i
o
n
(T
A
S)
p
l
a
y
s
a
c
ru
ci
al
ro
l
e
i
n
i
m
p
ro
v
i
n
g
t
h
e
p
e
rfo
r
m
an
ce
a
n
d
s
p
ec
t
ral
e
ff
i
c
i
en
cy
o
f
5
G
/
6
G
s
y
s
t
e
m
s
.
T
h
i
s
s
t
u
d
y
p
ro
p
o
s
e
s
t
o
u
s
e
t
h
e
G
ri
d
S
e
ar
c
h
C
V
me
t
h
o
d
f
o
r
h
y
p
e
rp
ara
me
t
e
r
o
p
t
i
mi
zat
i
o
n
i
n
t
w
o
s
u
p
e
rv
i
s
e
d
l
e
arn
i
n
g
mo
d
el
s
,
s
u
p
p
o
rt
v
ec
t
o
r
m
a
c
h
i
n
e
(
SV
M)
a
n
d
K
-
n
e
ar
e
s
t
n
ei
g
h
b
o
rs
(
K
N
N
),
t
o
o
p
t
i
m
al
l
y
s
el
ec
t
an
t
en
n
a
p
ee
rs
b
as
e
d
o
n
ch
an
n
e
l
g
a
i
n
.
T
h
e
s
e
mo
d
el
s
w
e
r
e
ap
p
l
i
e
d
t
o
A
l
a
m
o
u
t
i
’s
s
p
ac
e
-
t
i
me
b
l
o
ck
c
o
d
i
n
g
t
o
i
m
p
ro
v
e
p
e
rfo
r
m
a
n
ce
,
r
e
s
u
l
t
i
n
g
i
n
i
n
c
r
e
as
e
d
s
i
g
n
a
l
-
to
-
n
o
i
s
e
rat
i
o
(
SN
R)
a
n
d
re
d
u
ce
d
b
i
t
e
rr
o
r
rat
e
(B
E
R).
T
h
e
r
e
s
u
l
t
s
s
h
o
w
t
h
at
o
p
t
i
m
i
z
i
n
g
t
h
e
h
y
p
e
rp
ara
me
t
e
rs
l
ed
t
o
a
s
i
g
n
i
f
i
c
an
t
i
m
p
ro
v
eme
n
t
i
n
t
h
e
p
e
rf
o
r
m
an
ce
o
f
t
h
e
SV
M
a
n
d
K
N
N
m
o
d
e
l
s
.
T
h
e
S
V
M
a
n
d
K
N
N
m
o
d
e
l
s
w
e
r
e
ev
al
u
at
ed
u
s
i
n
g
a
v
ari
e
t
y
o
f
me
t
ri
c
s
,
w
i
t
h
t
h
e
S
V
M
d
em
o
n
s
t
rat
i
n
g
s
u
p
e
ri
o
r
p
red
i
c
t
i
v
e
p
e
rfo
r
m
an
ce
i
n
t
e
r
m
s
o
f
a
cc
u
ra
cy
,
av
e
rag
e
m
a
c
ro
r
ec
al
l
,
av
e
ra
g
e
m
a
c
r
o
p
re
ci
s
i
o
n
,
av
e
ra
g
e
m
a
c
r
o
F1
s
co
r
e
,
an
d
c
r
o
s
s
-
v
al
i
d
at
i
o
n
s
c
o
r
e
.
E
v
en
b
e
fo
r
e
o
p
t
i
mi
zat
i
o
n
,
t
h
e
SV
M
o
u
t
p
e
rfo
r
m
s
t
h
e
K
N
N
i
n
t
e
r
m
s
o
f
p
e
rfo
r
m
a
n
ce
me
t
ri
c
s
.
A
ft
e
r
o
p
t
i
m
i
zat
i
o
n
,
t
h
i
s
g
ap
w
i
d
en
s
fu
rt
h
e
r
,
d
em
o
n
s
t
rat
i
n
g
t
h
e
ro
b
u
s
t
n
e
s
s
o
f
S
V
M
fo
r
cl
as
s
i
fi
c
at
i
o
n
t
as
k
s
.
A
l
t
h
o
u
g
h
K
N
N
i
s
fas
t
e
r
t
o
t
rai
n
.
K
e
y
w
o
r
d
s
:
5G/6G
Gr
i
dS
e
a
r
c
h
C
V
K
NN
S
upe
r
vi
s
e
d
l
e
a
r
ni
ng
m
o
de
l
s
S
VM
T
A
S
Th
i
s
i
s
a
n
o
p
en
a
c
ces
s
a
r
t
i
c
l
e
u
n
d
e
r
t
h
e
CC
B
Y
-
SA
l
i
cen
s
e.
C
or
r
e
s
pon
din
g
A
u
th
or
:
Ab
de
ll
a
h
Ou
l
da
mm
a
r
L
a
b
o
r
a
to
r
y
o
f
I
nf
o
r
m
a
t
i
o
n
P
r
o
c
e
s
s
i
n
g
a
n
d
T
e
l
e
c
o
mm
u
ni
c
a
t
i
o
n
(
L
T
I
T
)
Uni
ve
r
s
i
t
y
T
a
h
r
i
M
o
h
a
mm
e
d
B
e
c
h
a
r
B
e
c
h
a
r
,
Al
ge
r
i
a
E
m
a
i
l
:
o
u
l
da
mm
a
r
.
a
b
de
ll
a
h@
u
ni
v
-
b
e
c
ha
r
.
dz
1.
I
NT
RODU
C
T
I
ON
M
u
l
t
i
pa
t
h
pr
o
pa
ga
t
i
o
n
i
s
a
n
i
nhe
r
e
n
t
f
e
a
t
ur
e
o
f
t
h
e
w
i
r
e
l
e
s
s
c
h
a
nn
e
l
,
l
e
a
d
i
ng
t
o
s
i
g
n
a
l
f
a
d
i
ng.
On
e
wa
y
o
f
im
pr
o
vi
n
g
t
h
e
c
a
pa
c
i
t
y
o
f
w
i
r
e
l
e
s
s
c
h
a
nn
e
ls
i
s
t
o
us
e
m
u
l
t
i
p
l
e
a
n
t
e
nna
s
a
t
t
h
e
t
r
a
n
s
m
i
t
t
e
r
a
n
d
r
e
c
e
i
v
e
r
[
1]
-
[
13
]
.
H
o
we
v
e
r
,
i
n
m
a
ny
r
e
a
l
-
wo
r
l
d
s
y
s
t
e
m
s
,
th
e
r
e
c
e
i
ve
r
m
u
s
t
b
e
s
m
a
ll
by
d
e
s
i
g
n
(
c
e
l
l
p
h
o
n
e
s
,
P
DA
s
,
a
n
d
s
m
a
r
t
ph
o
n
e
s
)
.
i
n
s
uc
h
p
hy
s
i
c
a
l
ly
s
m
a
ll
r
e
c
e
i
v
e
r
s
,
i
t
’
s
n
o
t
pr
a
c
t
i
c
a
l
t
o
h
a
v
e
s
e
v
e
r
a
l
a
n
t
e
nn
a
s
.
I
t
i
s
t
h
e
r
f
o
r
e
im
pr
a
c
t
i
c
a
l
t
o
de
pl
o
y
m
u
l
t
i
p
l
e
a
n
t
e
nn
a
s
a
t
t
h
e
r
e
c
e
i
v
e
r
.
I
n
c
o
n
t
r
a
s
t
,
t
h
e
b
a
s
e
s
t
a
t
i
o
n
c
a
n
e
a
s
i
ly
a
c
c
o
mm
o
da
t
e
m
u
l
t
i
p
l
e
a
n
t
e
nn
a
s
,
m
a
k
i
ng
i
t
p
o
s
s
i
bl
e
to
us
e
m
u
l
t
i
p
l
e
t
r
a
n
s
m
i
t
a
n
t
e
nna
s
.
I
n
s
uc
h
s
y
s
t
e
m
s
,
t
r
a
n
s
m
i
t
a
n
t
e
nna
s
e
l
e
c
t
i
o
n
(
T
A
S
)
a
l
go
r
i
t
hm
s
c
a
n
h
e
l
p
r
e
duc
e
t
h
e
n
u
m
be
r
o
f
a
c
t
i
v
e
t
r
a
n
s
mi
t
a
n
t
e
nn
a
,
whi
c
h
c
a
n
l
e
a
d
to
im
po
v
e
d
bi
t
e
r
r
or
r
a
t
e
(
B
E
R
)
pe
r
f
o
r
m
a
n
c
e
a
n
d
r
e
duc
e
d
h
a
r
dwa
r
e
c
o
m
p
l
e
xi
t
y
[
3]
-
[
16]
.
F
o
r
m
u
l
t
i
-
a
n
t
e
nna
s
y
s
t
e
m
s
,
T
A
S
p
l
a
y
s
a
n
im
po
r
t
a
n
t
r
o
l
e
i
n
t
h
e
t
r
a
de
-
o
f
f
b
e
t
we
e
n
t
r
a
n
s
mi
s
s
i
o
n
r
a
t
e
a
n
d
po
we
r
c
o
s
u
m
pt
i
o
n
,
a
s
a
gr
e
a
t
e
r
n
u
m
b
e
r
o
f
a
c
t
i
v
e
a
n
t
e
nn
a
r
e
s
u
l
t
s
i
n
hi
g
h
e
r
c
h
a
nne
l
ga
i
n,
b
ut
a
l
s
o
i
nc
r
e
a
s
e
s
c
i
r
c
u
i
t
po
we
r
[
15
]
.
T
h
e
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
a
ppr
o
c
h
(
T
A
S
)
c
a
n
a
l
s
o
b
e
c
o
m
bi
ne
d
w
i
t
h
o
t
h
e
r
t
e
c
h
ni
que
s
,
s
uc
h
a
s
o
r
t
h
o
g
o
n
a
l
s
pa
c
e
-
t
i
m
e
bl
o
c
k
c
o
d
i
n
g
(
OST
B
C
)
,
to
f
ur
t
h
e
r
i
m
pr
o
v
e
s
y
s
t
e
m
p
e
r
f
o
r
m
a
n
c
e
[
17]
.
Li
e
t
al.
[
18]
,
t
h
e
a
ut
h
o
r
s
di
s
c
us
s
e
d
s
t
r
a
t
e
gi
e
s
f
o
r
i
m
pr
o
vi
n
g
t
h
e
pe
r
f
o
r
m
a
n
c
e
o
f
m
u
l
t
i
p
l
e
-
a
n
t
e
nn
a
c
o
m
m
u
ni
c
a
t
i
o
n
s
y
s
t
e
m
s
i
n
t
h
e
c
o
n
t
e
x
t
o
f
l
o
w
-
r
a
t
e
c
h
a
nn
e
l
-
s
t
a
t
e
f
e
e
d
b
a
c
k.
M
o
r
e
s
pe
c
i
f
i
c
a
ll
y
,
i
t
f
o
c
us
e
s
o
n
t
h
e
di
f
f
e
r
e
n
t
tr
a
n
s
mi
t
t
e
r
s
t
r
a
t
e
gi
e
s
,
s
uc
h
a
s
T
A
S
,
Al
a
m
o
ut
i
s
pa
c
e
-
t
i
m
e
c
o
di
n
g
a
n
d
a
da
pt
i
ve
po
we
r
a
l
l
o
c
a
t
i
o
n
i
n
m
u
l
t
i
p
l
e
-
i
npu
t
s
i
n
g
l
e
-
Evaluation Warning : The document was created with Spire.PDF for Python.
I
S
S
N
:
2
5
0
2
-
4
7
52
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
,
Vo
l
.
37
,
N
o
.
2
,
F
e
b
r
ua
r
y
20
25
:
8
1
9
-
828
820
o
u
t
pu
t
(
M
I
S
O
)
c
o
m
m
u
ni
c
a
t
i
o
n
s
y
s
t
e
m
s
.
T
hi
s
a
p
pr
o
a
c
h
to
a
n
t
e
n
n
a
s
e
l
e
c
t
i
o
n
i
n
M
I
S
O
s
y
s
t
e
m
s
i
nv
o
l
v
e
s
a
n
e
x
h
a
us
t
i
v
e
s
e
a
r
c
h
f
o
r
a
l
l
p
os
s
i
bl
e
c
o
m
bi
n
a
t
i
o
n
s
o
f
a
v
a
i
l
a
bl
e
a
n
t
e
n
n
a
s
.
T
hi
s
c
a
n
b
e
c
o
m
e
c
o
m
pl
e
x
du
e
to
th
e
l
a
r
ge
n
um
b
e
r
o
f
c
a
l
c
u
l
a
t
i
o
n
s
i
n
v
o
l
v
e
d
.
F
a
s
t
a
n
t
e
n
n
a
s
e
l
e
c
t
i
o
n
a
l
g
or
i
t
m
s
a
r
e
t
h
e
r
e
f
or
e
e
s
s
e
n
t
i
a
l
to
r
e
d
uc
e
t
h
i
s
c
o
m
pl
e
xi
t
y
.
T
h
e
r
e
f
or
e
,
i
t
i
s
c
r
uc
i
a
l
to
de
v
e
l
op
e
f
f
i
c
i
e
n
t
a
l
g
or
i
t
hm
s
f
or
a
n
t
e
n
n
a
s
s
e
l
e
c
t
i
o
n
i
n
M
I
M
O
s
ys
t
e
m
s
i
n
o
r
de
r
to
r
e
duc
e
t
h
e
c
o
m
p
l
e
xi
t
y
a
s
s
o
c
i
a
t
e
d
wi
t
h
e
xh
a
u
s
t
i
ve
s
e
a
r
c
h
e
s
f
o
r
a
l
l
po
s
s
i
b
l
e
c
o
m
bi
na
t
i
o
n
s
a
m
o
n
g
t
h
e
a
v
a
il
a
bl
e
a
n
t
e
nn
a
s
a
n
d
o
p
t
i
mi
z
e
r
e
a
l
-
t
i
m
e
pe
r
f
o
r
m
a
n
c
e
.
T
h
e
r
e
a
r
e
o
p
t
i
m
i
z
a
t
i
o
n
a
ppr
o
a
c
h
e
s
,
s
uc
h
a
s
a
g
r
e
e
d
y
s
t
e
p
-
wi
s
e
o
p
t
i
m
i
z
a
t
i
o
n
a
ppr
o
a
c
h
,
whi
c
h
c
a
n
pr
o
vi
de
ne
a
r
-
o
p
t
i
m
a
l
s
o
l
ut
i
o
n
[
2]
-
[
13
]
.
S
o
,
a
n
t
e
nna
s
e
l
e
c
t
i
o
n
i
n
w
i
r
e
l
e
s
s
c
o
m
m
u
ni
c
a
t
i
o
ns
i
s
a
n
o
pt
i
mi
z
a
t
i
o
n
-
b
a
s
e
d
de
c
i
s
i
o
n
,
w
h
e
r
e
s
e
l
e
c
t
i
o
n
i
s
b
a
s
e
d
o
n
pr
e
d
e
f
i
ne
d
c
r
i
t
e
r
i
a
o
r
a
l
go
r
i
t
hm
s
.
Ho
we
v
e
r
,
M
a
c
hi
ne
-
L
e
a
r
ni
n
g
t
e
c
h
ni
que
s
o
f
f
e
r
a
da
t
a
-
d
r
i
v
e
n
a
ppr
o
a
c
h
to
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
,
wh
e
r
e
s
e
l
e
c
t
i
o
n
i
s
ba
s
e
d
o
n
l
e
a
r
ni
ng
f
r
o
m
a
v
a
il
a
bl
e
da
t
a
a
n
d
m
a
k
i
ng
pr
e
d
i
c
t
i
o
n
s
.
J
o
un
g
[
19]
c
o
m
pa
r
e
d
m
a
c
hi
ne
l
e
a
r
ni
ng
-
b
a
s
e
d
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
whi
t
h
c
o
n
v
e
n
t
i
o
n
a
l
o
pt
i
mi
z
a
t
i
o
n
-
ba
s
e
d
m
e
t
h
o
ds
i
n
t
e
r
m
s
o
f
pe
r
f
o
r
m
a
n
c
e
s
,
c
o
m
p
l
e
xi
t
y
a
n
d
f
e
e
d
b
a
c
k,
wh
e
r
e
h
e
a
pp
l
i
e
s
m
u
l
t
i
-
c
l
a
s
s
c
l
a
s
s
if
i
c
a
t
i
o
n
,
whi
c
h
i
s
a
m
a
in
t
a
s
k
i
n
m
a
c
hi
ne
l
e
a
r
ni
n
g,
i
n
a
m
u
l
t
i
p
l
e
-
i
nput
m
u
l
t
i
p
l
e
-
o
u
t
pu
t
(
M
I
M
O)
s
y
s
t
e
m
w
i
t
h
T
A
S
.
Ya
n
g
e
t
al
.
[
14]
,
t
h
e
a
u
t
h
o
r
s
p
r
o
p
o
s
e
a
n
e
w
a
ppr
o
a
c
h
c
a
l
l
e
d
pa
tt
e
r
n
r
e
c
o
gni
t
i
o
n
a
i
de
d
t
r
a
n
s
m
i
s
s
i
o
n
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
M
I
M
O
(
P
R
-
T
A
S
)
,
whi
c
h
us
e
s
pa
tt
e
r
n
r
e
c
o
gni
t
i
o
n
a
l
go
r
i
t
hm
s
s
uc
h
a
s
K
-
ne
a
r
e
s
t
n
e
i
g
hb
o
r
s
(
K
NN
)
a
n
d
s
uppo
r
t
v
e
c
t
or
m
a
c
hi
ne
(
S
VM
)
,
to
s
e
l
e
c
t
a
n
t
e
nn
a
s
i
n
a
v
e
r
t
i
c
a
l
b
e
ll
l
a
b
o
r
a
tor
i
e
s
l
a
y
e
r
e
d
s
pa
c
e
t
i
m
e
(V
-
B
L
A
S
T
)
s
y
s
t
e
m
,
whi
c
h
d
i
vi
de
s
s
e
r
i
a
l
da
t
a
i
n
to
s
e
v
e
r
a
l
s
u
b
-
s
t
r
e
a
m
s
a
n
d
t
r
a
n
s
m
i
t
s
t
h
e
m
vi
a
d
i
f
f
e
r
e
n
t
t
r
a
n
s
m
i
s
s
i
o
n
a
n
t
e
nn
a
s
r
e
s
pe
c
t
i
v
e
ly
,
t
h
e
a
u
t
h
o
r
s
h
a
v
e
o
p
t
i
mi
z
e
d
t
h
e
f
e
a
t
ur
e
s
e
x
t
r
a
c
t
i
o
n
o
f
t
h
e
T
A
S
a
l
go
r
i
t
hm
b
a
s
e
d
o
n
t
h
e
pa
tt
e
r
n
r
e
c
o
gni
t
i
o
n
de
m
o
ns
t
r
a
t
e
d
i
n
r
e
f
e
r
e
n
c
e
[
19
]
,
to
r
un
t
h
e
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
a
l
go
r
i
t
hm
a
n
d
e
f
f
e
c
t
i
v
e
ll
y
r
e
duc
e
r
e
dun
da
n
t
c
a
l
c
u
l
a
t
i
o
n
s
i
n
t
h
e
a
n
t
e
nn
a
s
e
t
s
e
a
r
c
h
pr
o
c
e
s
s
.
I
n
pa
pe
r
[
20]
,
t
h
e
a
u
t
h
o
r
s
pr
o
p
o
s
e
d
a
l
e
a
r
ni
ng
-
b
a
s
e
d
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
a
n
d
po
we
r
a
l
l
o
c
a
t
i
o
n
(
L
-
A
S
P
A
)
a
l
go
r
i
t
hm
t
h
a
t
o
v
e
r
c
o
m
e
s
t
h
e
hi
g
h
c
o
m
put
a
t
i
o
n
a
l
c
o
m
p
l
e
xi
t
y
o
f
t
he
j
o
i
n
t
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
a
n
d
po
we
r
a
l
l
o
c
a
t
i
o
n
(
J
A
S
P
A
)
a
l
go
r
i
t
hm
.
I
n
t
h
e
s
t
udy
pr
e
s
e
n
t
e
d
i
n
a
r
t
i
c
l
e
[
21]
,
t
h
e
a
ut
h
or
s
pr
o
p
o
s
e
d
a
m
a
c
hi
ne
l
e
a
r
ni
ng
-
b
a
s
e
d
a
ppr
o
a
c
h
,
i
n
pa
r
t
i
c
u
l
a
r
t
h
e
K
-
NN
a
l
go
r
i
t
hm
,
f
o
r
t
r
a
n
s
m
i
t
t
e
r
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
t
o
i
m
pr
o
ve
s
y
s
t
e
m
pe
r
f
o
r
m
a
n
c
e
i
n
r
e
a
l
-
t
i
m
e
e
nvi
r
o
nm
e
n
t
s
.
M
a
c
hi
ne
L
e
a
r
ni
ng
-
b
a
s
e
d
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
a
n
d
po
we
r
a
l
l
o
c
a
t
i
o
n
de
s
i
g
n
s
we
r
e
i
nv
e
s
t
i
g
a
t
e
d
i
n
pa
pe
r
[
22]
,
to
f
u
l
ly
e
x
p
l
o
i
t
s
pa
t
i
a
l
d
i
ve
r
s
i
t
y
w
hi
l
e
mi
n
im
i
z
i
ng
t
h
e
po
we
r
c
o
n
s
u
m
pt
i
o
n
o
f
a
v
t
i
v
e
r
a
d
i
o
f
r
e
que
n
c
y
(
R
F
)
m
o
du
l
e
s
.
T
h
e
a
u
t
h
o
r
s
p
r
o
p
o
s
e
a
n
a
s
s
i
s
t
e
d
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
s
c
h
e
m
e
(
m
u
l
t
i
-
l
a
b
e
l
c
o
nv
o
l
ut
i
o
n
a
l
n
e
ur
a
l
n
e
t
wo
r
k)
M
L
C
NN
f
o
r
M
I
M
O
I
n
t
e
r
n
e
t
o
f
t
hi
n
gs
c
o
m
muni
c
a
t
i
o
n
s
y
s
t
e
m
s
,
w
hi
c
h
s
h
o
ws
pr
o
m
i
s
i
ng
r
e
s
u
l
t
s
i
n
im
pr
o
vi
ng
pr
e
d
i
c
t
i
o
n
a
c
c
ur
a
c
y
.
T
h
e
c
o
n
c
l
u
s
i
o
n
o
f
t
h
e
s
t
udy
in
a
r
t
i
c
l
e
[
23]
,
i
s
t
h
a
t
t
h
e
pr
o
p
o
s
e
d
M
a
c
hi
ne
L
e
a
r
ni
n
g
-
E
n
a
bl
e
d
J
o
i
n
t
A
n
t
e
nn
a
S
e
l
e
c
t
i
o
n
a
n
d
P
r
e
c
o
di
n
g
De
s
i
g
n
s
a
l
go
r
i
t
hm
(
L
-
A
S
P
D)
s
i
g
ni
f
i
c
a
n
t
l
y
o
u
t
pe
r
f
o
r
m
s
b
a
s
e
l
i
ne
s
c
h
e
m
e
s
,
a
c
hi
e
v
e
s
b
e
t
t
e
r
e
f
f
i
c
t
i
v
e
s
u
m
r
a
t
e
c
o
m
pa
r
e
d
to
tr
a
di
t
i
o
n
a
l
m
e
t
h
o
ds
l
i
ke
j
o
i
n
t
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
a
n
d
pr
e
c
o
d
i
n
g
de
s
i
g
n
(
J
A
S
P
D)
un
de
r
l
im
i
t
e
d
pr
o
c
e
s
s
i
n
g
t
i
m
e
,
a
n
d
r
e
duc
e
s
c
o
m
put
a
t
i
o
n
c
o
m
p
l
e
xi
t
y
by
95
%
whi
l
e
r
e
t
a
i
ni
ng
o
v
e
r
95%
o
f
o
pt
i
m
a
l
pe
r
f
o
r
m
a
n
c
e
.
T
hi
s
i
nd
i
c
a
t
e
s
t
h
a
t
us
i
n
g
m
a
c
hi
ne
l
e
a
r
ni
ng
f
o
r
a
n
t
e
n
n
a
s
e
l
e
c
t
i
o
n
a
n
d
pr
e
c
o
di
n
g
de
s
i
g
n
c
a
n
l
e
a
d
to
i
m
pr
o
v
e
d
s
y
s
t
e
m
e
f
f
i
c
i
e
n
c
y
i
n
w
i
r
e
l
e
s
s
c
o
m
m
u
ni
c
a
t
i
o
n
s
y
s
t
e
m
s
.
De
s
p
i
t
e
t
h
e
l
a
r
ge
a
m
o
un
t
o
f
wo
r
k
o
n
t
hi
s
to
pi
c
,
no
pr
e
vi
o
us
s
t
udy
ha
s
i
nve
s
t
i
ga
t
e
d
i
n
de
pt
h
h
o
w
to
f
i
nd
o
p
t
i
m
a
l
v
a
l
ue
s
f
o
r
t
h
e
hy
p
e
r
pa
r
a
m
e
t
e
r
s
o
f
a
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
de
l
.
I
n
a
l
m
o
s
t
a
l
l
m
a
c
hi
ne
l
e
a
r
ni
ng
pr
o
j
e
c
t
s
,
di
f
f
e
r
e
n
t
m
o
de
l
s
a
r
e
us
e
d
a
n
d
t
h
e
o
n
e
w
i
t
h
t
h
e
be
s
t
pe
r
f
o
r
m
a
n
c
e
o
n
t
h
e
da
t
a
s
e
t
i
s
s
e
l
e
c
t
e
d.
Ho
we
v
e
r
,
t
h
e
r
e
i
s
r
oo
m
f
o
r
i
m
pr
o
v
e
m
e
n
t
b
e
c
a
us
e
we
c
a
nn
o
t
b
e
s
ur
e
t
h
a
t
t
hi
s
pa
r
t
i
c
u
l
a
r
m
o
de
l
i
s
t
h
e
b
e
s
t
o
n
e
to
s
o
l
v
e
t
h
e
b
r
o
bl
e
m
i
n
que
s
t
i
o
n
[
14]
,
[
19]
,
[
24]
.
T
hi
s
s
t
udy
i
nve
s
t
i
ga
t
e
d
t
h
e
e
f
f
e
c
t
s
o
f
hy
pe
r
pa
r
a
met
e
r
o
p
t
i
mi
z
a
t
i
o
n
o
n
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
de
l
s
f
o
r
T
A
S
i
n
5G/6G
s
y
s
t
e
m
s
.
W
hil
e
e
a
r
li
e
r
s
t
ud
i
e
s
h
a
v
e
e
x
p
l
o
r
e
d
t
h
e
im
pa
c
t
o
f
m
a
c
hi
ne
l
e
a
r
ni
ng
t
e
c
hni
que
s
o
n
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
a
n
d
s
y
s
t
e
m
pe
r
f
o
r
m
a
n
c
e
,
t
h
e
y
ha
v
e
n
o
t
e
x
p
l
i
c
i
t
ly
a
ddr
e
s
s
e
d
i
t
s
i
nf
l
ue
n
c
e
o
n
f
i
nd
i
ng
o
p
t
i
m
a
l
hy
pe
r
pa
r
a
m
e
t
e
r
v
a
l
ue
s
t
o
m
a
xi
mi
z
e
m
o
de
l
pe
r
f
o
r
m
a
nc
e
a
n
d
e
f
f
i
c
i
e
n
c
y
,
pa
r
t
i
c
u
l
a
r
ly
us
i
ng
s
ys
t
e
m
a
t
i
c
a
ppr
o
a
c
h
e
s
l
i
ke
Gr
i
dS
e
a
r
c
h
C
V.
As
m
e
n
t
i
o
n
e
de
e
a
r
li
e
r
,
t
h
e
pe
r
f
o
r
m
a
n
c
e
o
f
a
m
o
de
l
de
pe
n
ds
o
n
t
h
e
v
a
l
u
e
s
f
o
r
t
h
e
hy
pe
r
pa
r
a
m
e
t
e
r
s
.
I
t
’
s
wor
t
h
n
o
t
i
n
g
t
h
a
t
t
h
e
r
e
i
s
n
o
wa
y
t
o
kn
o
w
t
h
e
b
e
s
t
v
a
l
ue
s
f
o
r
t
h
e
hy
pe
r
pa
r
a
m
e
t
e
r
s
i
n
a
d
va
n
c
e
,
s
o
i
de
a
ll
y
,
we
n
e
e
d
to
tr
y
a
l
l
po
s
s
i
b
l
e
v
a
l
ue
s
to
f
i
n
d
t
h
e
o
p
t
i
m
a
l
o
n
e
s
.
D
o
i
n
g
t
hi
s
m
a
n
ua
ll
y
c
o
u
l
d
t
a
ke
a
l
o
t
o
f
t
i
m
e
a
n
d
r
e
s
o
ur
c
e
s
,
s
o
we
us
e
G
r
i
dS
e
a
r
c
hC
V
to
a
u
to
m
a
t
e
t
h
e
t
un
i
n
g
o
f
t
h
e
hy
pe
r
pa
r
a
m
e
t
e
r
s
.
2.
DA
T
A
-
DR
I
VE
N
P
RE
D
I
CT
I
ON
M
E
T
HO
D
I
N
T
RA
NSM
I
T
AN
T
E
NN
A
S
E
L
E
CT
I
ON
Da
t
a
-
dr
i
v
e
n
pr
e
d
i
c
t
i
o
n
(
DD
P
)
m
e
t
h
o
d
i
n
T
A
S
i
nvo
l
v
e
s
us
i
n
g
m
a
c
hi
ne
l
e
a
r
ni
ng
a
l
go
r
i
t
hm
s
to
pr
e
di
c
t
t
h
e
b
e
s
t
t
r
a
n
s
m
i
t
a
n
t
e
nna
s
b
a
s
e
d
o
n
t
h
e
c
h
a
nn
e
c
o
n
d
i
t
i
o
n
s
[
25]
.
T
hi
s
a
ppr
o
a
c
h
c
a
n
b
e
u
s
e
d
i
n
m
ut
i
p
l
e
-
i
nput
m
ut
i
p
l
e
-
o
u
t
pu
t
(
M
I
M
O)
s
y
s
t
e
m
s
t
o
i
m
pr
o
v
e
t
h
e
s
ys
t
e
m
c
a
pa
c
i
t
y
a
n
d
r
e
i
a
bil
i
t
y
.
T
h
e
D
DP
m
e
t
h
o
d
c
a
n
b
e
us
e
d
i
n
c
o
m
bi
na
t
i
o
n
w
i
t
h
ot
h
e
r
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
m
e
t
h
o
ds
,
s
uc
h
a
s
t
h
e
(
K
NN
)
a
l
go
r
i
t
hm
o
r
t
h
e
(
S
VM
)
a
l
go
r
i
t
h
m
[
14]
,
[
19]
,
[
21]
.
T
h
e
s
e
m
e
t
h
o
ds
a
i
m
t
o
r
e
duc
e
t
h
e
c
o
m
put
a
t
i
o
n
a
l
c
o
m
pe
xi
t
y
a
s
s
o
c
i
a
t
e
d
w
i
t
h
t
r
a
di
t
i
o
n
a
l
T
A
S
a
l
go
r
i
t
hm
s
by
a
v
o
i
d
i
ng
e
xha
us
t
i
v
e
s
e
a
r
c
h
e
s
o
f
a
l
l
po
s
s
i
b
l
e
a
n
t
e
nna
s
ubs
e
t
s
.
Da
t
a
dr
i
v
e
n
pr
e
d
i
c
t
i
o
n
(
DD
P
)
m
e
t
h
o
ds
i
n
T
A
S
c
a
n
a
c
hi
e
v
e
l
o
we
r
c
o
m
p
l
e
xi
t
y
a
n
d
hi
g
h
e
r
e
f
f
i
c
i
e
n
c
y
,
m
a
k
i
ng
t
h
e
m
s
u
i
t
a
bl
e
f
o
r
r
e
a
l
-
t
i
me
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
I
S
S
N:
2
5
0
2
-
4
7
52
Optimiz
ati
on
mac
hine
lear
ning
mode
ls
f
or
s
e
lec
ti
ng
tr
ans
mit
antennas
in
5G/6G
…
(
A
bde
ll
ah
Oulda
mm
ar
)
821
a
pp
l
i
c
a
t
i
o
ns
.
I
n
o
ur
wor
k,
we
a
pp
l
i
e
d
m
u
l
t
i
-
c
l
a
s
s
c
l
a
s
s
if
i
c
a
t
i
o
n
a
n
d
de
f
i
ne
d
t
wo
c
l
a
s
s
i
f
i
e
r
s
,
K
NN
a
nd
S
VM
,
pe
r
f
o
r
m
i
ng
ne
s
t
e
d
c
r
o
s
s
-
v
a
l
i
da
t
i
o
n
us
i
ng
Gr
i
dS
e
a
r
c
hC
V
to
f
i
n
d
t
h
e
b
e
s
t
hy
pe
r
pa
r
a
m
e
t
e
r
s
f
o
r
e
a
c
h
c
l
a
s
s
i
f
i
e
r
.
2.
1.
K
-
n
e
ar
e
s
t
n
e
igh
b
or
(
K
NN
)
K
NN
i
s
a
s
im
p
l
e
i
ns
t
a
n
c
e
-
b
a
s
e
d
l
e
a
r
ni
ng
a
go
r
i
t
hm
t
h
a
t
c
l
a
s
s
i
f
i
e
s
a
da
t
a
po
i
n
t
a
c
c
o
r
di
n
g
t
o
t
h
e
m
a
j
o
r
i
t
y
c
l
a
s
s
a
m
o
n
g
i
t
s
K
n
e
a
r
e
s
t
n
e
i
g
hb
o
r
s
i
n
f
e
a
t
ur
e
s
pa
c
e
[
26]
-
[
29
]
.
K
NN
c
a
n
b
e
us
e
d
to
m
a
p
t
h
e
C
S
I
to
t
h
e
o
p
t
i
m
a
l
a
n
t
e
nna
s
u
b
s
e
t
by
c
o
n
s
i
de
r
i
ng
t
h
e
m
o
s
t
s
i
mi
l
a
r
pa
s
t
i
n
s
t
a
n
c
e
s
[
14]
,
[
19]
,
[
21]
.
T
hi
s
m
e
t
h
o
d
i
s
pa
r
t
i
c
u
l
a
r
l
y
us
e
f
u
l
i
n
d
y
na
mi
c
e
nvi
r
e
nm
e
n
t
s
wh
e
r
e
w
i
r
e
l
e
s
s
c
h
a
nn
e
c
o
n
d
i
t
i
o
n
s
c
h
a
n
ge
f
r
e
qqu
e
n
t
l
y
.
2.
2.
S
u
p
p
or
t
ve
c
t
or
m
ac
h
in
e
(
S
VM
)
S
VM
i
s
a
s
upe
r
vi
s
e
d
l
e
a
r
ni
ng
m
o
de
l
t
h
a
t
c
a
n
be
us
e
d
f
o
r
c
l
a
s
s
if
i
c
a
t
i
o
n
a
n
d
r
e
gr
e
s
s
i
o
n
t
a
s
ks
.
I
t
w
or
ks
by
f
i
nd
i
ng
t
h
e
hy
pe
r
p
l
a
ne
t
h
a
t
b
e
s
t
s
e
pa
r
a
t
e
s
t
h
e
da
t
a
i
n
t
o
di
f
f
e
r
e
n
t
c
l
a
s
s
e
s
[
26]
,
[
28
]
,
[
30]
-
[
33]
.
I
t
i
s
po
s
s
i
bl
e
to
tr
a
i
n
a
n
S
VM
t
o
c
l
a
s
s
i
f
y
t
h
e
o
pt
i
m
a
l
s
e
t
o
f
a
n
tenn
a
s
b
a
s
e
d
o
n
c
h
a
nne
l
s
t
a
t
e
i
nf
o
r
m
a
t
i
o
n
(
C
S
I
)
[
14]
,
[
19
]
.
T
hi
s
c
l
a
s
s
if
i
c
a
t
i
o
n
h
e
l
p
s
to
s
e
l
e
c
t
a
n
t
e
n
n
a
s
t
h
a
t
m
a
xim
i
z
e
s
y
s
t
e
m
pe
r
f
o
r
m
a
n
c
e
m
e
t
r
i
c
s
s
uc
h
a
s
s
i
g
n
a
l
-
to
-
n
o
i
s
e
-
r
a
t
i
o
(
S
NR
)
B
E
R
.
2.
3.
Gr
id
S
e
ar
c
h
CV
m
e
t
h
od
Gr
i
dS
e
a
r
c
h
C
V
i
s
a
t
e
c
hni
que
f
o
r
s
y
s
t
e
m
a
t
i
c
a
ll
y
s
e
a
r
c
hi
ng
f
o
r
t
h
e
hy
pe
r
pa
r
a
m
e
t
e
r
s
o
f
a
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
de
l
by
t
r
y
i
n
g
a
ll
po
s
s
i
b
l
e
c
o
m
bi
na
t
i
o
n
s
o
f
s
pe
c
if
i
c
v
a
l
ue
s
f
o
r
t
h
o
s
e
hy
pe
r
pa
r
a
m
e
t
e
r
s
.
I
t
us
e
s
c
r
o
s
s
-
v
a
l
i
d
a
t
i
o
n
t
o
e
v
a
l
u
a
t
e
t
h
e
pe
r
f
o
r
m
a
n
c
e
o
f
e
a
c
h
c
o
m
bi
na
t
i
o
n
.
Gr
i
dS
e
a
r
c
h
C
V
i
s
us
e
d
to
o
p
t
i
mi
z
e
t
h
e
h
y
pe
r
pa
r
a
m
e
t
e
r
s
o
f
a
m
o
de
l
t
o
f
i
n
d
t
h
e
b
e
s
t
po
s
s
i
bl
e
c
o
nf
i
gur
a
t
i
o
n
t
h
a
t
m
a
xim
i
z
e
s
m
o
de
l
pe
r
f
o
r
m
a
n
c
e
o
n
a
g
i
v
e
n
da
t
a
s
e
t
.
I
t
i
s
im
p
l
e
m
e
n
t
e
d
i
n
t
h
e
s
c
i
k
i
t
-
l
e
a
r
n
li
b
r
a
r
y
i
n
P
y
t
h
o
n
.
Af
t
e
r
t
e
s
t
i
n
g
a
l
l
c
o
m
bin
a
t
i
o
n
s
,
Gr
i
dS
e
a
r
c
h
C
V
s
e
l
e
c
t
s
t
h
e
m
o
de
l
w
i
t
h
t
h
e
be
s
t
hy
p
e
r
pa
r
a
m
e
t
e
r
s
a
n
d
r
e
t
r
a
i
n
s
i
t
o
n
t
h
e
da
t
a
s
e
t.
3.
P
ROP
OS
E
D
M
E
T
HO
D
T
hi
s
s
e
c
t
i
o
n
pr
e
s
e
n
t
s
t
h
e
pr
o
p
o
s
e
d
m
e
t
h
o
do
l
o
gy
f
o
r
pr
e
d
i
c
t
i
n
g
t
h
e
b
e
s
t
a
n
t
e
nn
a
pa
i
r
s
f
o
r
da
t
a
t
r
a
n
s
m
i
s
s
i
o
n
us
i
ng
t
h
e
Al
a
m
o
ut
i
c
o
de
i
n
t
h
e
M
I
S
O
2X1
s
y
s
t
e
m
.
A
f
u
l
l
de
s
c
r
i
pt
i
o
n
o
f
t
h
e
m
e
t
h
o
do
l
o
g
y
i
s
pr
o
vi
de
d
i
n
t
hi
s
s
e
c
t
i
o
n
.
3.
1.
Dat
a
ge
n
e
r
at
ion
an
d
p
r
e
p
r
oc
e
s
s
in
g
W
e
ha
v
e
ge
n
e
r
a
t
e
d
a
s
y
n
t
h
e
t
i
c
da
t
a
s
e
t
r
e
pr
e
s
e
n
t
i
n
g
t
h
e
c
h
a
nn
e
l
c
o
e
f
f
i
c
i
e
n
t
o
f
a
M
I
S
O
s
y
s
t
e
m
w
i
t
h
e
i
g
h
t
t
r
a
n
s
m
i
t
a
n
t
e
nn
a
s
a
n
d
t
e
n
t
h
o
us
a
n
d
s
a
m
p
l
e
s
.
T
h
e
c
h
a
nn
e
l
c
o
e
f
f
i
c
i
e
n
t
s
a
r
e
ge
n
e
r
a
t
e
d
us
i
n
g
t
h
e
R
a
y
l
e
i
g
h
f
a
d
i
ng
m
o
de
l
.
T
h
e
c
ha
nn
e
l
g
a
i
n
i
s
t
h
e
n
c
a
l
c
u
l
a
t
e
d
by
s
qua
r
i
ng
t
h
e
c
ha
nn
e
l
c
o
e
f
f
i
c
i
e
n
t
s
.
W
e
t
h
e
n
ge
n
e
r
a
t
e
l
a
b
e
l
s
f
o
r
t
h
e
a
n
t
e
nn
a
pa
i
r
s
,
c
r
e
a
t
e
a
l
l
po
s
s
i
bl
e
c
o
m
b
i
na
t
i
o
n
s
o
f
a
n
t
e
nn
a
pa
i
r
s
,
a
n
d
c
h
e
c
k
w
hi
c
h
pa
ir
h
a
s
t
h
e
hi
g
h
e
s
t
c
h
a
nne
l
ga
i
n
f
o
r
e
a
c
h
s
a
m
p
l
e
.
T
h
e
s
e
B
o
o
l
e
a
n
l
a
b
e
l
s
a
r
e
t
h
e
n
c
o
nv
e
r
t
e
d
to
c
l
a
s
s
l
a
b
e
l
s
.
Us
i
n
g
t
h
e
c
h
a
nne
l
ga
i
n
a
s
i
n
put
to
t
h
e
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
d
e
l
,
t
h
e
a
n
t
e
nna
pa
i
r
s
a
r
e
us
e
d
a
s
a
a
b
e
l
s
.
T
h
e
da
t
a
i
s
d
i
v
e
de
d
i
n
t
o
t
r
a
i
ni
ng
a
n
d
t
e
s
t
s
e
t
s
:
80%
o
f
t
h
e
da
t
a
i
s
us
e
d
f
o
r
t
r
a
i
ni
ng
a
n
d
20%
f
o
r
t
e
s
t
i
n
g.
T
h
e
f
e
a
t
ur
e
s
a
r
e
t
h
e
n
n
o
r
m
a
li
z
e
d.
T
h
e
go
a
l
o
f
f
t
hi
s
o
pe
r
a
t
i
o
n
i
s
to
gi
v
e
th
e
s
a
m
e
s
c
a
l
e
to
a
l
l
i
nput
da
t
a
.
3.
2.
M
ac
h
in
e
l
e
ar
n
in
g
m
od
e
ls
W
e
us
e
d
t
wo
e
s
t
a
bl
i
s
h
e
d
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
de
l
s
to
p
r
e
di
c
t
t
h
e
b
e
s
t
a
n
t
e
nn
a
pa
i
r
s
f
o
r
t
h
e
Al
a
m
o
ut
i
s
pâ
c
e
-
t
i
m
e
bl
o
c
k
c
o
de
s
y
s
t
e
m
.
T
h
e
s
e
m
o
de
l
s
a
r
e
K
NN
a
n
d
S
VM
.
W
e
c
h
o
s
e
t
h
e
s
e
t
w
o
m
o
de
l
s
b
e
c
a
us
e
o
f
t
h
e
i
r
d
i
f
f
e
r
e
n
t
a
ppr
o
a
c
h
e
s
a
n
d
d
i
f
f
e
r
e
n
t
pr
e
di
c
t
i
o
n
t
r
a
c
k
r
e
c
o
r
ds
.
3.
3.
T
u
n
in
g
h
yp
e
r
p
ar
a
m
e
t
e
r
s
F
o
r
e
a
c
h
c
l
a
s
s
i
f
i
e
r
,
n
e
s
t
e
d
c
r
o
s
s
-
v
a
li
da
t
i
o
n
i
s
pe
r
f
o
r
m
e
d
to
f
i
nd
t
h
e
b
e
s
t
hy
pe
r
pâ
r
a
m
e
t
e
r
s
.
T
h
e
Gr
i
dS
e
a
r
c
h
C
V
s
c
i
k
i
t
-
l
e
a
r
n
i
s
us
e
d
f
o
r
t
hi
s
pur
po
s
.
T
h
e
d
i
f
f
e
r
e
n
t
hy
pe
r
pa
r
a
m
e
t
e
r
s
f
o
r
t
h
e
t
w
o
m
o
de
l
s
us
e
d
a
r
e
s
h
o
w
n
i
n
T
a
bl
e
1.
T
a
bl
e
1
.
Hy
p
e
r
pa
r
a
m
e
t
e
r
s
f
o
r
b
ot
h
m
o
de
l
s
K
N
N
S
V
M
P
a
r
a
me
t
e
r
V
a
lu
e
s
/Opt
io
ns
P
a
r
a
me
t
e
r
V
a
lu
e
s
/Opt
io
ns
n
-
ne
ig
hb
or
s
[
3, 5, 7, 9, 11]
C
[
0.1, 1, 10, 100]
W
e
ig
ht
s
[
‘
uni
f
o
r
m’
, ‘
di
s
ta
nc
e
’
]
G
a
mm
a
[
0.001, 0.01, 0.1, 1]
M
e
tr
i
c
[
‘
e
u
c
li
d
e
a
n’
,
‘
ma
nha
tt
a
n’
, ‘
mi
nk
o
w
s
ki
’
]
K
e
r
n
e
l
[
‘
li
n
e
a
r
’
, ‘
r
b
f
’
,
‘
p
o
l
y
’
, ‘
s
ig
m
o
id
’
]
Evaluation Warning : The document was created with Spire.PDF for Python.
I
S
S
N
:
2
5
0
2
-
4
7
52
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
,
Vo
l
.
37
,
N
o
.
2
,
F
e
b
r
ua
r
y
20
25
:
8
1
9
-
828
822
3.
3.
1.
P
ar
am
e
t
e
r
s
g
r
id
f
o
r
K
NN
a)
n
_
n
e
i
g
hb
o
r
s
:
v
a
l
u
e
s
[
3,
5
,
7,
9
,
11
]
a
r
e
c
h
o
s
e
n
to
t
e
s
t
di
f
f
e
r
e
n
t
n
u
m
b
e
r
s
o
f
ne
i
g
hb
o
r
s
.
T
h
e
n
u
m
b
e
r
o
f
n
e
i
g
hb
o
r
s
(
n
_n
e
i
g
hb
o
r
s
)
i
s
a
c
r
uc
i
a
l
p
a
r
a
m
e
t
e
r
f
o
r
t
h
e
K
NN
m
o
de
l
,
a
s
i
t
de
t
e
r
m
i
ne
s
h
o
w
m
a
ny
n
e
i
g
hb
o
r
s
a
r
e
t
a
ke
n
i
n
t
o
a
c
c
o
un
t
wh
e
n
m
a
k
i
ng
a
pr
e
d
i
c
t
i
o
n
.
T
oo
s
m
a
ll
a
n
u
m
be
r
r
i
s
k
s
m
a
k
i
ng
t
h
e
m
o
de
l
s
e
n
s
i
t
i
ve
t
o
n
o
i
s
e
,
whil
e
t
oo
l
a
r
ge
a
n
u
m
be
r
c
a
n
d
i
l
ut
e
t
h
e
i
nf
l
ue
n
c
e
o
f
c
l
o
s
e
n
e
i
g
hb
o
r
s
.
B
y
t
e
s
t
i
n
g
s
e
v
e
r
a
l
o
dd
v
a
l
ue
s
,
we
a
v
o
i
d
t
i
e
s
i
n
t
h
e
m
a
j
o
r
i
t
y
v
o
t
e
,
whi
c
h
i
s
pa
r
t
i
c
u
l
a
r
ly
u
s
e
f
u
l
f
o
r
c
l
a
s
s
i
f
i
c
a
t
i
o
n
pr
o
bl
e
m
s
.
b)
W
e
i
g
h
t
s
:
t
h
e
[
‘
unif
o
r
m
’
,
‘
d
i
s
t
a
n
c
e
’
]
o
p
t
i
o
n
s
c
a
n
be
us
e
d
to
t
e
s
t
t
w
o
di
f
f
e
r
e
n
t
a
ppr
o
a
c
h
e
s
f
o
r
we
i
g
h
t
i
ng
n
e
i
g
hb
o
r
s
.
Unif
o
r
m
:
a
ll
n
e
i
g
hb
o
r
s
h
a
v
e
t
h
e
s
a
m
e
we
i
g
h
t
.
D
i
s
t
a
n
c
e
:
c
l
o
s
e
r
n
e
i
g
hb
o
r
s
a
r
e
gi
v
e
n
a
hi
g
he
r
we
i
g
h
t
,
whi
c
h
c
a
n
i
m
pr
o
v
e
a
c
c
ur
a
c
y
by
g
i
v
i
ng
m
o
r
e
we
i
g
h
t
to
t
h
e
m
o
s
t
r
e
l
e
v
a
n
t
n
e
i
g
hb
o
r
s
.
T
e
s
t
t
h
e
s
e
t
wo
o
p
t
i
o
n
s
s
h
o
ws
w
h
e
t
h
e
r
d
i
s
t
a
n
c
e
w
e
i
g
h
t
i
n
g
im
pr
o
v
e
s
m
o
de
l
pe
r
f
o
r
m
a
n
c
e
c
o
m
pa
r
e
d
w
i
t
h
unif
o
r
m
we
i
g
h
t
i
n
g.
c)
M
e
t
r
i
c
:
m
e
t
r
i
c
s
[
‘
e
uc
li
de
a
n’
,
‘
m
a
nh
a
t
t
a
n
’
,
‘
m
i
n
ko
ws
ki
’
]
a
r
e
di
s
t
a
nc
e
s
c
o
m
m
o
nly
u
s
e
d
to
m
e
a
s
ur
e
s
i
mi
l
a
r
i
t
y
b
e
t
we
e
n
po
i
n
t
s
.
E
uc
l
i
de
a
n
:
E
uc
l
i
de
a
n
d
i
s
t
a
n
c
e
,
t
h
e
d
i
s
t
a
n
c
e
“
a
s
t
h
e
c
r
o
w
f
l
i
e
s
”
.
M
a
nh
a
t
t
a
n
:
M
a
nh
a
t
t
a
n
di
s
t
a
n
c
e
,
t
h
e
s
u
m
o
f
a
bs
o
l
ut
e
d
i
s
t
a
n
c
e
s
a
l
o
n
g
t
h
e
a
x
e
s
.
M
i
n
ko
ws
k
i
:
A
ge
n
e
r
a
li
z
a
t
i
o
n
o
f
t
h
e
pr
e
vi
o
us
t
wo,
w
i
t
h
t
h
e
pa
r
a
m
e
t
e
r
p=
3.
T
e
s
t
i
n
g
d
i
f
f
e
r
e
n
t
m
e
t
r
i
c
s
h
e
l
ps
t
o
de
t
e
r
m
i
ne
w
hi
c
h
i
s
m
o
s
t
a
ppr
o
pr
i
a
t
e
f
o
r
t
h
e
s
pe
c
i
f
i
c
da
t
a
,
a
s
K
NN
pe
r
f
o
r
m
a
n
c
e
c
a
n
v
a
r
y
d
e
pe
n
d
i
ng
o
n
t
h
e
m
e
t
r
i
c
us
e
d.
3.
3.
2.
P
ar
am
e
t
e
r
s
g
r
id
f
o
r
S
VM
a)
C
:
v
a
l
ue
s
[
0.
1,
1,
10,
100]
a
r
e
c
h
o
s
e
n
to
t
e
s
t
di
f
f
e
r
e
n
t
l
e
v
e
l
s
o
f
r
e
gu
l
a
r
i
z
a
t
i
o
n
.
C
l
o
w
(
0.
1
)
:
h
i
g
h
r
e
gu
l
a
r
i
z
a
t
i
o
n
,
whi
c
h
m
a
y
a
v
o
i
d
o
v
e
r
l
e
a
r
ni
ng,
b
ut
m
a
y
l
e
a
d
to
un
de
r
l
e
a
r
ni
n
g.
C
hi
g
h
(
100)
:
l
o
w
r
e
gul
a
r
i
z
a
t
i
o
n
,
whi
c
h
m
a
y
a
l
l
o
w
a
b
e
t
t
e
r
f
i
t
to
t
h
e
tr
a
i
ni
ng
da
t
a
,
b
ut
r
i
s
k
s
o
v
e
r
l
e
a
r
ni
ng.
T
e
s
t
i
n
g
a
r
a
n
ge
o
f
v
a
l
ue
s
h
e
l
p
s
to
f
i
n
d
t
h
e
r
i
g
h
t
b
a
l
a
n
c
e
b
e
t
we
e
n
bi
a
s
a
n
d
v
a
r
i
a
n
c
e
.
b)
Ga
m
m
a
:
v
a
l
ue
s
[
0.
001,
0.
01
,
0
.
1,
1]
a
r
e
c
h
o
s
e
n
to
tes
t
t
h
e
i
nf
l
ue
n
c
e
o
f
t
h
e
de
c
i
s
i
o
n
f
u
n
c
t
i
o
n
.
H
i
g
h
ga
m
m
a
(
1)
:
e
a
c
h
da
t
a
po
i
n
t
h
a
s
a
gr
e
a
t
e
r
i
nf
luen
c
e
,
whi
c
h
c
a
n
l
e
a
d
t
o
o
v
e
r
l
e
a
r
ni
ng.
L
o
w
Ga
m
m
a
(
0.
001)
:
e
a
c
h
da
t
a
p
o
i
n
t
h
a
s
l
e
s
s
i
nf
l
u
e
n
c
e
,
whi
c
h
c
a
n
l
e
a
d
t
o
un
de
r
l
e
a
r
ni
ng.
T
e
s
t
i
n
g
d
i
f
f
e
r
e
n
t
ga
m
m
a
v
a
l
ue
s
h
e
l
p
s
to
f
i
nd
t
h
e
r
i
gh
t
l
e
ve
l
o
f
m
o
de
l
c
o
m
p
l
e
xi
t
y
.
c)
K
e
r
n
e
l
:
ke
r
n
e
l
t
y
pe
s
[
‘
li
ne
a
r
’
,
‘
r
bf
’
,
‘
po
l
y
’
,
s
i
g
m
o
id’
]
a
l
l
o
w
d
i
f
f
e
r
e
n
t
da
t
a
tr
a
n
s
f
o
r
m
a
t
i
o
ns
.
L
i
ne
a
r
:
l
i
ne
a
r
ke
r
n
e
l
,
us
e
f
u
l
f
o
r
l
i
ne
a
r
l
y
s
e
p
a
r
a
bl
e
da
t
a
.
r
bf
:
ga
us
s
i
a
n
ke
r
n
e
l
(
R
a
d
i
a
l
B
a
s
i
c
F
u
n
c
t
i
o
n
)
,
us
e
f
u
l
f
o
r
n
o
n
-
li
ne
a
r
ly
s
e
pa
r
a
bl
e
da
t
a
.
P
o
l
y
:
po
l
y
n
o
mi
a
l
k
e
r
n
e
l
,
us
e
f
u
l
f
o
r
c
a
pt
ur
i
n
g
m
o
r
e
c
o
m
p
l
e
x
r
e
l
a
t
i
o
n
s
hi
p
s
.
S
i
g
m
o
i
d:
s
i
g
m
o
i
d
ke
r
ne
l
,
l
e
s
s
c
o
m
m
o
nly
u
s
e
d
b
ut
c
a
n
b
e
us
e
f
u
l
i
n
c
e
r
t
a
i
n
c
a
s
e
s
.
T
e
s
t
i
n
g
d
i
f
f
e
r
e
n
t
ke
r
n
e
l
s
a
ll
o
w
s
y
o
u
to
s
e
e
whi
c
h
o
n
e
b
e
s
t
c
a
pt
ur
e
s
t
h
e
r
e
l
a
t
i
o
ns
hi
p
s
i
n
t
h
e
da
t
a
.
3.
3.
3.
Cr
os
s
va
l
id
at
ion
W
e
us
e
c
r
o
s
s
-
v
a
li
da
t
i
o
n
t
o
e
v
a
l
ua
t
e
t
h
e
pe
r
f
o
r
m
a
n
c
e
o
f
e
a
c
h
hy
pe
r
pa
r
a
m
e
t
e
r
c
o
m
bi
na
t
i
o
n
.
W
e
us
e
5
-
f
o
l
d
c
r
o
s
s
-
v
a
li
da
t
i
o
n
to
di
vi
d
e
t
h
e
da
t
a
i
n
t
o
f
i
ve
s
ubs
e
t
s
a
n
d
e
v
a
l
ua
t
e
t
h
e
ge
n
e
r
a
li
z
a
bil
i
t
y
o
f
t
h
e
r
e
s
u
l
t
s
o
f
a
s
t
a
t
i
s
t
i
c
a
l
a
n
a
ly
s
i
s
to
a
n
i
n
de
p
e
n
de
n
t
da
t
a
s
e
t
.
T
hi
s
a
ll
o
w
s
us
t
o
a
v
o
i
d
o
v
e
r
l
e
a
r
ni
ng
a
n
d
pr
o
vi
d
e
a
m
o
r
e
r
e
l
i
a
bl
e
e
s
t
i
m
a
t
e
o
f
m
o
de
l
p
e
r
f
o
r
m
a
n
c
e
.
Us
i
ng
th
e
s
e
hy
pe
r
pa
r
a
m
e
t
e
r
gr
i
ds
,
Gr
i
dS
e
a
r
c
hC
V
c
a
n
e
x
p
l
o
r
e
a
v
a
r
i
e
t
y
o
f
c
o
nf
i
gur
a
t
i
o
ns
f
o
r
e
a
c
h
m
o
de
l
,
a
u
to
m
a
ti
ng
t
h
e
pr
o
c
e
s
s
o
f
f
i
nd
i
ng
t
h
e
b
e
s
t
hy
pe
r
pa
r
a
m
e
t
e
r
s
.
T
hi
s
m
a
ke
s
i
t
p
o
s
s
i
bl
e
to
o
p
t
i
mi
z
e
K
NN
a
n
d
S
VM
m
o
de
l
s
to
i
m
pr
o
v
e
pr
e
d
i
c
t
i
o
n
a
c
c
ur
a
c
y
,
w
i
t
h
o
ut
h
a
vi
ng
to
m
a
n
ua
ll
y
t
e
s
t
e
a
c
h
c
o
m
bi
na
t
i
o
n
.
3.
4.
P
e
r
f
o
r
m
an
c
e
e
val
u
at
ion
T
o
e
v
a
l
u
a
t
e
a
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
de
l
i
n
a
m
u
l
t
i
-
c
l
a
s
s
c
l
a
s
s
if
i
c
a
t
i
o
n
t
a
s
k,
s
e
v
e
r
a
l
pe
r
f
o
r
m
a
n
c
e
m
e
t
r
i
c
s
c
a
n
b
e
us
e
d,
s
uc
h
a
s
a
c
c
ur
a
c
y
,
pr
e
c
i
s
i
o
n
,
r
e
c
a
l
l
,
F
1
s
c
o
r
e
,
c
o
n
f
u
s
i
o
n
m
a
t
r
i
x
,
R
OC
-
A
UC
(
R
e
c
e
i
ve
r
Ope
r
a
t
i
n
g
C
h
a
r
a
c
t
e
r
i
s
t
i
c
-
A
r
e
a
Un
de
r
C
ur
v
e
)
,
a
n
d
mi
c
r
o
a
n
d
m
a
c
r
o
a
v
e
r
a
ge
s
.
Al
t
h
o
ugh
we
h
a
v
e
28
c
l
a
s
s
e
s
,
i
t
c
a
n
i
n
d
e
e
d
b
e
d
i
f
f
i
c
u
l
t
to
i
n
t
e
r
pr
e
t
t
h
e
r
e
s
u
l
t
s
due
to
t
h
e
c
o
m
p
l
e
xi
t
y
.
I
n
t
hi
s
c
a
s
e
,
i
t
c
a
n
b
e
us
e
f
u
l
t
o
v
i
s
u
a
l
i
z
e
t
h
e
m
o
de
l
pe
r
f
o
r
m
a
n
c
e
us
i
ng
t
h
e
f
o
l
l
o
w
i
ng
m
e
t
r
i
c
s
:
a)
C
o
n
f
us
i
o
n
m
a
t
r
i
x
:
a
m
a
tr
i
x
t
h
a
t
v
i
s
ua
l
i
z
e
s
m
o
de
l
pe
r
f
o
r
m
a
n
c
e
by
s
h
ow
i
n
g
tr
u
e
p
os
i
t
i
v
e
s
,
f
a
l
s
e
p
o
s
i
t
i
ve
s
,
tr
u
e
n
e
ga
t
i
v
e
s
,
a
n
d
f
a
l
s
e
n
e
ga
t
i
v
e
s
f
or
e
a
c
h
c
l
a
s
s
.
I
t
h
e
l
ps
to
un
de
r
s
tan
d
wh
e
r
e
t
h
e
m
o
de
l
i
s
g
o
i
n
g
w
r
o
n
g.
b)
A
c
c
ur
a
c
y
(
O
v
e
r
a
ll
P
r
e
c
i
s
i
o
n
)
:
t
h
e
pe
r
c
e
n
t
a
ge
o
f
c
o
r
r
e
c
t
pr
e
di
c
t
i
o
n
s
o
ut
o
f
a
l
l
pr
e
d
i
c
t
i
o
n
s
m
a
de
.
I
t
’
s
a
s
i
m
p
l
e
m
e
a
s
ur
e
,
b
ut
c
a
n
b
e
m
i
s
l
e
a
d
i
ng
i
f
t
h
e
c
l
a
s
s
e
s
a
r
e
un
ba
l
a
n
c
e
d.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
I
S
S
N:
2
5
0
2
-
4
7
52
Optimiz
ati
on
mac
hine
lear
ning
mode
ls
f
or
s
e
lec
ti
ng
tr
ans
mit
antennas
in
5G/6G
…
(
A
bde
ll
ah
Oulda
mm
ar
)
823
c)
M
a
c
r
o
-
A
v
e
r
a
ge
:
c
a
l
c
u
l
a
t
e
s
t
h
e
m
e
t
r
i
c
i
n
de
pe
n
de
n
t
ly
f
o
r
e
a
c
h
c
l
a
s
s
a
n
d
a
v
e
r
a
ge
s
i
t
.
T
hi
s
t
r
e
a
t
s
a
l
l
c
las
s
e
qua
l
ly
,
r
e
ga
r
d
l
e
s
s
o
f
t
h
e
i
r
f
r
e
que
nc
y
.
d)
P
r
e
c
i
s
i
o
n
:
t
h
e
pr
o
p
or
t
i
o
n
o
f
t
r
ue
p
o
s
i
t
i
v
e
pr
e
d
i
c
t
i
o
n
s
o
ut
o
f
a
l
l
po
s
i
t
i
v
e
pr
e
d
i
c
t
i
o
n
s
.
e)
R
e
c
a
ll
:
t
h
e
pr
o
p
o
r
t
i
o
n
o
f
t
r
ue
p
o
s
i
t
i
v
e
pr
e
d
i
c
t
i
o
ns
o
u
t
o
f
a
ll
t
h
e
t
r
ue
p
o
s
i
t
i
v
e
i
ns
t
a
n
c
e
s
.
f)
F
1
s
c
o
r
e
:
t
h
e
h
a
r
m
o
ni
c
m
e
a
n
o
f
pr
e
c
i
s
i
o
n
a
n
d
r
e
c
a
ll
,
pr
o
vi
d
i
ng
a
ba
l
a
n
c
e
b
e
t
we
e
n
t
h
e
t
w
o
.
W
e
a
l
s
o
e
va
l
ua
t
e
d
t
h
e
pe
r
f
o
r
m
a
nc
e
o
f
t
h
e
a
do
pt
e
d
m
o
de
l
s
by
c
a
l
c
u
l
a
t
i
n
g
t
h
e
5
-
f
o
l
d
c
r
o
s
s
-
va
l
i
d
a
t
i
o
n
s
c
o
r
e
to
pr
o
vi
de
a
n
e
s
t
i
m
a
t
e
o
f
m
o
de
l
pe
r
f
o
r
m
a
n
c
e
o
n
n
o
ve
l
da
t
a
,
a
s
we
l
l
a
s
m
e
a
s
ur
i
ng
t
r
a
i
ni
ng
a
n
d
pr
e
d
i
c
t
i
o
n
t
i
m
e
s
fo
r
t
h
e
S
VM
a
n
d
K
NN
c
l
a
s
s
if
i
e
r
s
.
4.
RE
S
UL
T
S
AN
D
DI
S
CU
S
S
I
ON
4.
1.
Re
s
u
l
t
s
I
n
t
hi
s
s
e
c
t
i
o
n
,
we
pr
e
s
e
n
t
t
h
e
r
e
s
ul
t
s
o
f
s
i
m
u
l
a
t
i
o
n
s
pe
r
f
o
r
m
e
d
i
n
t
h
e
P
y
t
h
o
n
e
nvi
r
o
nm
e
n
t
,
i
.
e
.
,
c
o
nf
us
i
o
n
m
a
t
r
i
c
e
s
f
o
r
a
t
e
s
t
s
e
t.
W
e
a
l
s
o
pr
e
s
e
n
t
t
a
bl
e
s
s
h
o
w
i
n
g
t
h
e
r
e
s
u
l
t
s
o
f
t
h
e
c
a
l
c
u
l
a
t
i
o
n
s
f
o
r
t
h
e
d
i
f
f
e
r
e
n
t
m
e
t
r
i
c
s
m
e
n
t
i
o
n
e
d
a
b
o
v
e
.
T
h
e
s
e
t
a
bl
e
s
a
ll
o
w
us
t
o
c
o
m
pa
r
e
t
h
e
c
o
nf
u
s
i
o
n
m
a
t
r
i
c
e
s
o
b
t
a
i
ne
d
by
t
h
e
S
VM
a
n
d
K
NN
m
o
de
l
s
be
f
o
r
e
a
n
d
a
f
t
e
r
hy
pe
r
pa
r
a
m
e
t
e
r
o
p
t
i
mi
z
a
t
i
o
n
,
f
o
r
m
o
de
l
e
v
a
l
ua
t
i
o
n
pur
po
s
e
s
.
4.
1.
1.
M
od
e
l
p
e
r
f
o
r
m
an
c
e
s
Af
t
e
r
a
d
j
u
s
t
i
n
g
t
h
e
hy
pe
r
pa
r
a
m
e
t
e
r
s
,
we
i
ni
t
i
a
li
z
e
d
a
n
d
t
r
a
i
n
e
d
t
h
e
S
VM
a
n
d
K
NN
c
l
a
s
s
i
f
i
e
r
s
o
n
t
h
e
t
r
a
i
ni
ng
da
t
a
,
a
n
d
t
h
e
n
pe
r
f
o
r
m
e
d
t
h
e
pr
e
d
i
c
t
i
o
ns
on
t
h
e
t
e
s
t
da
t
a
.
T
h
e
c
o
nf
us
i
o
n
m
a
t
r
i
c
e
s
i
n
F
i
gur
e
s
1
-
4
s
h
o
w
t
h
a
t
t
h
e
r
e
a
r
e
28
c
l
a
s
s
e
s
(
0
-
27)
i
n
t
o
whi
c
h
t
h
e
m
o
de
l
s
c
l
a
s
s
i
f
y
t
he
da
t
a
.
T
h
e
y
a
l
s
o
s
h
o
w
t
h
e
n
u
m
b
e
r
of
c
o
r
r
e
c
t
a
n
d
i
nc
o
r
r
e
c
t
pr
e
di
c
t
i
o
n
s
m
a
de
by
t
h
e
S
VM
a
n
d
K
NN
m
o
de
l
s
.
T
h
e
v
a
l
ue
s
o
n
t
h
e
d
i
a
go
n
a
l
r
e
pr
e
s
e
n
t
c
or
r
e
c
t
pr
e
d
i
c
t
i
o
n
s
,
whil
e
t
h
e
ot
h
e
r
v
a
l
ue
s
r
e
pr
e
s
e
n
t
e
r
r
o
r
s
.
M
o
de
l
s
o
pt
i
m
i
z
e
d
i
n
t
e
r
m
s
o
f
hy
p
e
r
pa
r
a
m
e
t
e
r
s
s
h
o
w
o
v
e
r
a
l
l
a
c
c
ur
a
c
y
,
w
i
t
h
f
e
we
r
f
a
l
s
e
po
s
i
t
i
v
e
s
(
F
P
)
a
n
d
f
a
l
s
e
n
e
ga
t
i
v
e
s
(
F
N)
t
h
a
n
n
o
n
-
o
p
t
i
mi
z
e
d
m
o
de
ls
.
An
d
i
n
b
o
t
h
c
a
s
e
s
,
S
VM
h
a
s
a
b
e
t
t
e
r
o
v
e
r
a
l
l
a
c
c
ur
a
c
y
,
w
i
t
h
f
e
w
e
r
f
a
l
s
e
po
s
i
t
i
v
e
s
(
F
P
)
a
n
d
f
a
l
s
e
ne
ga
t
i
ve
s
(
F
N)
t
h
a
n
K
NN
,
t
h
e
l
a
tt
e
r
h
a
vi
ng
m
o
r
e
F
P
a
n
d
F
N,
i
n
d
i
c
a
t
i
n
g
a
s
li
g
h
t
l
y
i
n
f
e
r
i
o
r
pe
r
f
o
r
m
a
nc
e
i
n
t
e
r
m
s
o
f
c
o
r
r
e
c
t
c
l
a
s
s
if
i
c
a
t
i
o
n
.
A
n
d,
T
a
bl
e
s
2
a
n
d
3
s
h
o
w
t
h
e
e
v
a
luat
i
o
n
o
f
t
h
e
S
VM
a
n
d
K
NN
m
o
de
l
s
.
Af
t
e
r
o
p
t
i
mi
z
a
t
i
o
n
,
t
h
e
pe
r
f
o
r
m
a
n
c
e
o
f
t
h
e
S
VM
i
m
pr
o
v
e
d
i
n
a
ll
m
e
t
r
i
c
s
(
a
c
c
ur
a
c
y
,
pr
e
c
i
s
i
o
n
,
r
e
c
a
l
l
,
F
1
s
c
o
r
e
,
a
v
e
r
a
ge
c
r
o
s
s
-
v
a
li
da
t
i
o
n
s
c
o
r
e
)
.
F
o
r
e
x
a
m
p
l
e
,
a
c
c
ur
a
c
y
i
nc
r
e
a
s
e
d
f
r
o
m
0.
9190
to
0
.
9295.
K
NN
a
l
s
o
i
m
pr
o
v
e
d,
f
r
om
0.
7820
to
0.
8200
f
o
r
a
c
c
ur
a
c
y
,
b
ut
t
hi
s
im
pr
o
v
e
m
e
n
t
wa
s
l
e
s
s
s
i
g
nif
i
c
a
n
t
t
h
a
n
t
h
a
t
o
f
S
VM
.
F
i
gur
e
1
.
C
o
nf
u
s
i
o
n
m
a
t
r
i
x
(
S
VM
)
f
o
r
a
s
e
t
o
f
t
e
s
ts
us
i
n
g
t
h
e
de
f
a
u
l
t
hy
pe
r
pa
r
a
m
e
t
e
r
s
Evaluation Warning : The document was created with Spire.PDF for Python.
I
S
S
N
:
2
5
0
2
-
4
7
52
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
,
Vo
l
.
37
,
N
o
.
2
,
F
e
b
r
ua
r
y
20
25
:
8
1
9
-
828
824
F
i
gur
e
2
.
C
o
nf
u
s
i
o
n
m
a
t
r
i
x
(
K
NN
)
f
o
r
a
s
e
t
o
f
t
e
s
ts
us
i
n
g
t
h
e
de
f
a
u
l
t
hy
pe
r
pa
r
a
m
e
t
e
r
s
F
i
gur
e
3
.
C
o
nf
u
s
i
o
n
m
a
t
r
i
x
(
S
VM
)
f
o
r
a
s
e
t
o
f
t
e
s
ts
us
i
n
g
Gr
i
dS
e
a
r
c
hC
V
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
I
S
S
N:
2
5
0
2
-
4
7
52
Optimiz
ati
on
mac
hine
lear
ning
mode
ls
f
or
s
e
lec
ti
ng
tr
ans
mit
antennas
in
5G/6G
…
(
A
bde
ll
ah
Oulda
mm
ar
)
825
F
i
gur
e
4
.
C
o
nf
u
s
i
o
n
m
a
t
r
i
x
(
K
NN
)
f
o
r
a
s
e
t
o
f
t
e
s
ts
us
i
n
g
Gr
i
dS
e
a
r
c
hC
V
T
a
bl
e
2
.
R
e
s
u
l
t
s
o
f
e
va
l
u
a
t
i
o
n
m
e
t
r
i
c
s
o
b
t
a
i
n
e
d
f
o
r
S
VM
a
n
d
K
NN
m
o
de
l
s
b
e
f
o
r
e
o
p
t
i
mi
z
a
t
i
o
n
M
e
tr
i
c
s
E
v
a
lu
a
ti
o
n
A
c
c
u
r
a
c
y
(%)
M
a
c
r
o
a
ve
r
a
g
e
pr
e
c
is
i
o
n
(
%
)
M
a
c
r
o
a
ve
r
a
g
e
r
e
c
a
ll
(
%
)
M
a
c
r
o
a
ve
r
a
g
e
F
1
s
c
o
r
e
(
%
)
A
ve
r
a
ge
c
r
o
s
s
-
v
a
li
da
ti
o
n s
c
or
e
(%)
S
V
M
91.90
92.13
91.90
91.90
91.07
K
N
N
78.20
78.67
78.20
78.21
78.41
T
a
bl
e
3
.
R
e
s
u
l
t
s
o
f
e
va
l
u
a
t
i
o
n
m
e
t
r
i
c
s
o
b
t
a
i
n
e
d
f
o
r
S
VM
a
n
d
K
NN
m
o
de
l
s
a
f
t
e
r
o
p
t
i
m
i
z
a
t
i
o
n
M
e
tr
i
c
s
E
v
a
lu
a
ti
o
n
A
c
c
u
r
a
c
y
(%)
M
a
c
r
o
a
ve
r
a
g
e
pr
e
c
is
i
o
n
(
%
)
M
a
c
r
o
a
ve
r
a
g
e
r
e
c
a
ll
(
%
)
M
a
c
r
o
a
ve
r
a
g
e
F
1
s
c
o
r
e
(
%
)
A
ve
r
a
ge
c
r
o
s
s
-
v
a
li
da
ti
o
n s
c
or
e
(%)
S
V
M
92.95
93.12
92.95
92.96
92.96
K
N
N
82.00
82.28
82.00
81.98
82.80
4.
1.
2.
Com
p
u
t
at
io
n
al
c
om
p
le
x
it
y
T
a
bl
e
4
s
h
o
ws
h
o
w
t
h
e
S
VM
m
o
de
l
o
pt
i
mi
z
a
t
i
o
n
h
a
s
r
e
duc
e
d
t
h
e
t
r
a
i
ni
ng
a
n
d
pr
e
d
i
c
t
i
o
n
t
i
m
e
s
:
t
h
e
t
r
a
i
ni
ng
t
i
m
e
i
s
r
e
duc
e
d
f
r
o
m
0.
3756
to
0
.
2408
s
e
c
o
n
ds
.
An
d
t
h
e
pr
e
d
i
c
t
i
o
n
t
i
m
e
d
e
c
r
e
a
s
e
d
f
r
o
m
0.
6111
to
0.
2981
s
e
c
o
n
ds
.
T
hi
s
i
n
d
i
c
a
t
e
s
t
h
a
t
t
h
e
o
p
t
i
mi
z
e
d
hy
pe
r
pa
r
a
m
e
t
e
r
s
h
a
v
e
m
a
de
t
h
e
m
o
de
l
m
o
r
e
e
f
f
i
c
i
e
n
t
.
K
NN
m
a
i
n
t
a
i
ne
d
a
s
im
il
a
r
t
r
a
i
ni
ng
t
i
m
e
,
b
ut
t
h
e
pr
e
d
i
c
t
i
o
n
t
i
m
e
wa
s
s
li
g
h
t
l
y
r
e
duc
e
d
f
r
o
m
0.
0819
to
0
.
0629
s
e
c
o
n
ds
.
T
hi
s
s
h
o
ws
a
s
l
i
g
h
t
i
m
pr
o
v
e
m
e
n
t
i
n
pr
e
d
i
c
t
i
o
n
s
pe
e
d.
W
e
f
o
un
d
t
h
a
t
o
p
t
i
mi
z
i
ng
hy
pe
r
pa
r
a
m
e
t
e
r
s
us
i
n
g
t
h
e
Gr
i
dS
e
a
r
c
h
C
V
m
e
t
h
o
d
s
i
g
nif
i
c
a
n
t
l
y
e
nh
a
n
c
e
s
t
h
e
c
l
a
s
s
i
f
i
c
a
t
i
o
n
pe
r
f
o
r
m
a
n
c
e
o
f
m
a
c
hi
ne
l
e
a
r
ni
n
g
m
o
de
l
s
i
n
s
e
l
e
c
t
i
n
g
t
r
a
n
s
m
i
t
a
n
t
e
nn
a
s
i
n
5G/6G
s
y
s
t
e
m
s
.
T
h
e
pr
o
p
o
s
e
d
m
e
t
h
o
d
i
n
t
hi
s
s
t
ud
y
t
e
n
de
d
to
h
a
v
e
a
n
i
n
o
r
d
i
n
a
t
e
l
y
hi
g
h
e
r
pr
o
p
o
r
t
i
o
n
o
f
c
o
r
r
e
c
t
c
l
a
s
s
i
f
i
c
a
t
i
o
ns
a
s
s
h
o
wn
by
im
pr
o
v
e
d
m
e
t
r
i
c
s
s
uc
h
a
s
a
c
c
ur
a
c
y
,
pr
e
c
i
s
i
o
n
,
r
e
c
a
l
l
,
a
n
d
F
1
s
c
o
r
e
a
c
r
o
s
s
m
u
l
t
i
p
l
e
c
l
a
s
s
e
s
.
T
a
bl
e
4
.
R
e
s
u
l
t
s
o
f
t
h
e
c
o
m
put
a
t
i
o
n
a
l
c
o
m
p
l
e
xi
t
y
o
f
c
l
a
s
s
if
i
e
r
s
B
e
f
or
e
o
pt
im
i
z
a
ti
o
n
A
f
t
e
r
o
p
ti
mi
z
a
ti
o
n
T
r
a
in
in
g
ti
m
e
(
S
e
c
o
nds
)
P
r
e
di
c
ti
o
n
ti
m
e
(
S
e
c
o
nds
)
T
r
a
in
in
g
ti
m
e
(
S
e
c
o
nds
)
P
r
e
di
c
ti
o
n
ti
m
e
(
S
e
c
o
nds
)
S
V
M
0.3756
0.6111
0.2408
0.2981
K
N
N
0.0050
0.0819
0.0050
0.0629
Evaluation Warning : The document was created with Spire.PDF for Python.
I
S
S
N
:
2
5
0
2
-
4
7
52
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
,
Vo
l
.
37
,
N
o
.
2
,
F
e
b
r
ua
r
y
20
25
:
8
1
9
-
828
826
4.
2.
Dis
c
u
s
s
ion
Opt
i
mi
z
i
ng
hy
pe
r
pa
r
a
m
e
t
e
r
s
f
o
r
S
VM
c
a
n
i
n
c
l
u
de
s
e
l
e
c
t
i
n
g
t
h
e
t
y
p
e
o
f
s
uppo
r
t
ke
r
n
e
l
,
t
h
e
C
pa
r
a
m
e
t
e
r
,
a
n
d
t
h
e
ga
m
m
a
pa
r
a
m
e
t
e
r
.
T
h
e
s
e
a
d
j
u
s
t
m
e
n
t
s
i
m
pr
o
v
e
t
h
e
m
o
de
l
’
s
a
bil
i
t
y
t
o
o
p
t
i
m
a
ll
y
s
e
pa
r
a
t
e
c
l
a
s
s
e
s
.
F
o
r
K
NN
,
o
p
t
i
mi
z
a
t
i
o
n
m
a
y
i
nv
o
l
ve
t
h
e
n
u
m
be
r
o
f
n
e
i
g
hb
o
r
s
(
K
)
a
n
d
t
h
e
d
i
s
t
a
n
c
e
w
e
i
g
h
t
i
n
g
m
e
t
h
o
d.
Op
t
i
m
a
l
c
h
o
i
c
e
o
f
K
c
a
n
i
m
pr
o
v
e
m
o
de
l
a
c
c
ur
a
c
y
by
r
e
duc
i
ng
n
o
i
s
e
.
Af
t
e
r
o
p
t
i
m
i
z
i
ng
th
e
S
VM
m
o
de
l
’
s
hy
pe
r
pa
r
a
m
e
t
e
r
s
,
a
r
e
duc
t
i
o
n
i
n
c
o
m
p
ut
a
t
i
o
n
a
l
t
i
m
e
c
a
n
b
e
a
c
hi
e
ve
d
t
h
r
o
ugh
m
o
r
e
e
f
f
i
c
i
e
n
t
pa
r
a
m
e
t
e
r
c
h
o
i
c
e
s
t
h
a
t
r
e
duc
e
t
h
e
n
u
m
be
r
o
f
c
o
m
put
a
t
i
o
n
s
r
e
qu
i
r
e
d
o
r
s
i
m
p
li
f
y
t
h
e
m
o
de
l
.
F
o
r
e
x
a
m
p
l
e
,
a
s
i
m
p
l
e
r
ke
r
n
e
l
o
r
a
we
e
l
-
t
un
e
d
C
-
v
a
l
ue
c
a
n
s
pe
e
d
up
t
h
e
c
o
n
ve
r
ge
nc
e
o
f
t
h
e
a
l
go
r
i
t
hm
.
K
NN
i
s
ge
n
e
r
a
ll
y
f
a
s
t
e
r
to
t
r
a
i
n
b
e
c
a
u
s
e
i
t
r
e
l
i
e
s
o
n
s
im
p
l
e
d
i
s
t
a
n
c
e
c
a
l
c
u
l
a
t
i
o
ns
.
Ho
we
v
e
r
,
o
p
t
i
mi
z
a
t
i
o
n
c
a
n
f
ur
t
h
e
r
r
e
duc
e
pr
e
d
i
c
t
i
o
n
t
i
m
e
by
c
h
o
o
s
i
n
g
a
n
o
pt
i
m
a
l
K
t
h
a
t
m
i
n
im
i
z
e
s
t
h
e
n
u
m
be
r
o
f
c
o
m
put
a
t
i
o
n
s
r
e
qu
i
r
e
d.
E
v
e
n
b
e
f
o
r
o
p
t
i
m
i
z
a
t
i
o
n
,
S
VM
f
a
r
o
u
t
pe
r
f
o
r
m
s
K
NN
i
n
t
e
r
m
s
o
f
m
e
t
r
i
c
pe
r
f
o
r
m
a
n
c
e
.
Af
t
e
r
o
p
t
i
mi
z
a
t
i
o
n
,
t
h
e
ga
p
w
i
de
ns
e
v
e
n
f
ur
t
h
e
r
,
de
m
o
n
s
t
r
a
t
i
n
g
t
h
e
r
o
b
us
t
n
e
s
s
o
f
S
V
M
f
o
r
c
l
a
s
s
i
f
i
c
a
t
i
o
n
t
a
s
ks
.
Al
t
h
o
ugh
K
NN
i
s
f
a
s
t
e
r
to
tr
a
i
n
,
t
h
e
o
pt
i
m
i
z
e
d
S
VM
o
f
f
e
r
s
a
b
e
t
t
e
r
tr
a
de
-
o
f
f
be
t
we
e
n
c
o
m
put
a
t
i
o
n
t
i
m
e
a
n
d
pr
e
d
i
c
t
i
o
n
qua
l
i
t
y
.
I
n
a
dd
i
t
i
o
n
,
t
h
e
pe
r
f
o
r
m
a
n
c
e
of
t
h
e
S
VM
a
n
d
K
NN
m
o
de
l
s
wa
s
c
o
n
s
i
s
t
e
n
t
o
n
d
i
f
f
e
r
e
n
t
da
t
a
,
a
s
s
h
o
wn
by
t
h
e
c
r
o
s
s
-
v
a
l
i
da
t
i
o
n
r
e
s
u
l
t
s
i
n
T
a
bl
e
s
2
a
n
d
3,
m
a
k
i
n
g
t
h
e
a
m
o
r
e
r
e
l
i
a
bl
e
c
h
o
i
c
e
f
o
r
t
h
e
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
t
a
s
k.
T
h
us
,
hy
pe
r
pa
r
a
m
e
t
e
r
o
p
t
i
mi
z
a
t
i
o
n
h
a
d
a
s
i
g
ni
f
i
c
a
n
t
i
m
pa
c
t
o
n
t
h
e
pe
r
f
o
r
m
a
n
c
e
a
n
d
c
o
m
p
l
e
xi
t
y
o
f
t
h
e
S
VM
a
n
d
K
NN
m
o
de
l
s
.
I
n
pa
r
t
i
c
u
l
a
r
,
S
VM
s
h
o
we
d
a
s
i
g
ni
f
i
c
a
n
t
i
m
pr
o
v
e
m
e
n
t
i
n
a
l
l
m
e
t
r
i
c
s
a
f
t
e
r
o
p
t
i
mi
z
a
t
i
o
n
,
whil
e
r
e
duc
i
ng
t
h
e
c
o
m
put
a
t
i
o
n
a
l
t
i
m
e
.
KN
N
a
l
s
o
b
e
n
e
f
i
e
d
f
r
o
m
o
pt
i
m
i
z
a
t
i
o
n
,
b
ut
to
a
l
e
s
s
e
r
e
x
t
e
n
t
t
h
a
n
S
VM
.
T
h
e
s
e
r
e
s
u
l
t
s
de
m
o
ns
t
r
a
t
e
t
h
e
i
m
po
r
t
a
n
c
e
o
f
hy
pe
r
pa
r
a
m
e
t
e
r
o
p
t
i
m
i
z
a
t
i
o
n
i
n
t
h
e
de
v
e
l
o
p
m
e
n
t
a
n
d
i
m
pr
o
v
e
m
e
n
t
o
f
m
a
c
hi
ne
l
e
a
r
ni
n
g
m
o
de
l
s
.
Our
s
t
udy
s
ugg
e
s
t
s
t
h
a
t
hi
g
h
e
r
m
o
de
l
c
o
m
p
l
e
xi
t
y
is
n
o
t
a
s
s
o
c
i
a
t
e
d
w
i
t
h
po
or
pe
r
f
o
r
m
a
nc
e
i
n
a
n
t
e
nn
a
s
e
l
e
c
t
i
o
n
f
o
r
5G/6G
s
y
s
t
e
m
s
.
T
h
e
pr
o
p
o
s
e
d
m
e
t
ho
d
m
a
y
b
e
n
e
f
i
t
f
r
o
m
t
h
e
i
n
t
e
gr
a
t
i
o
n
o
f
a
d
v
a
n
c
e
d
e
ns
e
m
b
l
e
t
e
c
h
ni
que
s
w
i
t
h
o
u
t
a
dv
e
r
s
e
ly
im
pa
c
t
i
n
g
t
h
e
p
r
o
c
e
s
s
i
n
g
t
i
m
e
a
n
d
e
f
f
i
c
i
e
n
c
y
c
o
m
pa
r
e
d
t
o
t
r
a
d
i
t
i
o
n
a
l
a
ppr
o
a
c
h
e
s
n
o
t
e
d
i
n
pr
e
vi
o
us
r
e
s
e
a
r
c
h
.
T
hi
s
s
t
udy
e
x
p
l
o
r
e
d
a
c
o
m
pr
e
h
e
ns
i
ve
a
pp
li
c
a
t
i
o
n
o
f
Gr
i
dS
e
a
r
c
hC
V
f
o
r
hy
pe
r
pa
r
a
m
e
t
e
r
o
p
t
i
mi
z
a
t
i
o
n
i
n
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
de
l
s
li
ke
S
VM
a
n
d
K
NN
.
Ho
we
v
e
r
,
f
ur
t
h
e
r
a
n
d
i
n
-
de
pt
h
s
t
udi
e
s
m
a
y
b
e
n
e
e
d
e
d
to
c
o
nf
i
r
m
i
t
s
r
o
b
us
t
n
e
s
s
a
c
r
o
s
s
d
i
f
f
e
r
e
n
t
da
t
a
s
e
t
s
a
n
d
r
e
a
l
-
wo
r
l
d
s
c
e
n
a
r
i
o
s
,
e
s
pe
c
i
a
ll
y
r
e
ga
r
d
i
ng
t
h
e
v
a
r
i
a
bil
i
t
y
i
n
w
i
r
e
l
e
s
s
c
h
a
nn
e
l
c
o
n
d
i
t
i
o
ns
a
n
d
h
a
r
dwa
r
e
c
o
n
s
t
r
a
i
n
t
s
.
5.
CONC
L
USI
ON
I
n
t
hi
s
wo
r
k,
we
pr
o
p
o
s
e
d
a
m
e
t
h
o
d
to
pr
e
di
c
t
t
h
e
b
e
s
t
a
n
t
e
n
n
a
pa
i
r
s
f
o
r
da
t
a
tr
a
n
s
mi
s
s
i
o
n
us
i
n
g
t
h
e
Al
a
m
o
ut
i
c
o
de
i
n
t
h
e
2X1
s
y
s
t
e
m
to
f
ur
t
h
e
r
i
m
pr
o
v
e
t
h
e
o
v
e
r
a
l
l
pe
r
f
o
r
m
a
n
c
e
o
f
t
h
e
M
I
S
O
s
y
s
t
e
m
.
W
e
us
e
d
t
h
e
Gr
i
dS
e
a
r
c
h
C
V
m
e
t
h
o
d
to
o
p
t
i
m
i
z
e
t
h
e
hy
pe
r
p
a
r
a
m
e
t
e
r
s
o
f
t
h
e
S
VM
a
n
d
K
NN
m
a
c
hi
ne
l
e
a
r
ni
n
g
m
o
de
l
s
to
s
e
l
e
c
t
t
h
e
a
n
t
e
nn
a
pa
i
r
s
.
T
h
e
r
e
s
u
l
t
s
s
h
o
w
th
a
t
o
p
t
i
m
i
z
i
ng
t
h
e
hy
pe
r
pa
r
a
m
e
t
e
r
s
l
e
d
to
a
s
i
gnif
i
c
a
n
t
im
pr
o
v
e
m
e
n
t
i
n
t
h
e
pe
r
f
o
r
m
a
n
c
e
o
f
t
h
e
S
VM
a
nd
K
NN
m
o
de
l
s
.
T
h
e
s
i
g
nif
i
c
a
n
t
i
m
pr
o
v
e
m
e
n
t
i
n
th
e
S
V
M
i
nd
i
c
a
t
e
s
t
h
a
t
t
h
e
c
h
o
i
c
e
o
f
hy
p
e
r
pa
r
a
m
e
t
e
r
s
a
l
l
o
we
d
t
h
e
a
l
go
r
i
t
hm
t
o
c
o
n
v
e
r
ge
f
a
s
t
e
r
a
n
d
m
a
k
e
pr
e
d
i
c
t
i
o
n
s
m
o
r
e
e
f
f
i
c
i
e
n
t
l
y
.
W
h
e
n
m
a
k
i
n
g
a
t
r
a
de
-
o
f
f
b
e
t
we
e
n
pe
r
f
o
r
m
a
n
c
e
a
n
d
c
o
m
put
a
t
i
o
n
t
i
m
e
,
i
t
i
s
im
p
o
r
t
a
n
t
to
c
o
n
s
i
de
r
t
h
e
s
i
z
e
o
f
t
h
e
da
t
a
s
e
t
a
n
d
t
h
e
r
e
s
o
ur
c
e
s
a
v
a
il
a
bl
e
.
S
VM
m
a
y
be
pr
e
f
e
r
r
e
d
f
o
r
s
m
a
l
l
da
t
a
s
e
t
s
wh
e
r
e
pe
r
f
o
r
a
nc
e
i
s
c
r
i
t
i
c
a
l
,
w
hil
e
K
NN
m
a
y
b
e
u
s
e
f
u
l
f
o
r
l
a
r
ge
da
t
a
s
e
t
s
w
i
t
h
l
im
i
t
e
d
r
e
s
o
ur
c
e
s
.
I
n
a
ll
c
a
s
e
s
,
Gr
i
dS
e
a
r
c
h
C
V
w
il
l
o
nly
t
e
s
t
t
h
e
c
o
m
bi
na
t
i
o
n
s
o
f
hy
pe
r
pa
r
a
m
e
t
e
r
s
s
pe
c
i
f
i
e
d
i
n
t
h
e
gr
i
d.
I
f
t
h
e
gr
i
d
i
s
too
r
e
s
t
r
i
c
t
e
d,
p
ot
e
n
t
i
a
ll
y
be
tt
e
r
c
o
m
bi
na
t
i
o
n
s
m
a
y
be
m
i
s
s
e
d.
Our
s
t
udy
de
m
o
n
s
t
r
a
t
e
s
t
h
a
t
o
p
t
i
m
i
z
e
d
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
de
l
s
,
s
uc
h
a
s
S
VM
a
n
d
K
NN
,
a
r
e
m
o
r
e
r
o
b
us
t
t
h
a
n
t
r
a
d
i
t
i
o
n
a
l
m
e
t
h
o
ds
i
n
s
e
l
e
c
t
i
n
g
t
r
a
n
s
m
i
t
a
n
t
e
nn
a
s
f
o
r
5G/6G
s
y
s
t
e
m
s
.
F
ut
ur
e
s
t
udi
e
s
c
o
u
l
d
e
x
p
l
o
r
e
t
h
e
i
n
t
e
gr
a
t
i
o
n
o
f
m
o
r
e
c
o
m
p
l
e
x
mo
de
l
s
o
r
e
ns
e
m
b
l
e
t
e
c
hni
que
s
,
o
r
t
h
e
us
e
o
f
t
e
c
hni
que
s
s
uc
h
a
s
B
a
y
e
s
i
a
n
s
e
a
r
c
h
o
r
R
a
n
do
m
i
z
e
dS
e
a
r
c
hC
V
w
i
t
h
f
e
a
s
i
b
l
e
wa
y
s
o
f
pr
o
duc
i
n
g
f
ur
t
h
e
r
pe
r
f
o
r
m
a
nc
e
ga
i
ns
i
n
r
e
a
l
-
t
i
m
e
w
i
r
e
l
e
s
s
c
o
m
m
u
ni
c
a
t
i
o
n
s
y
s
t
e
m
s
.
R
e
c
e
n
t
o
b
s
e
r
v
a
t
i
o
n
s
s
ugge
s
t
t
h
a
t
t
h
e
o
p
t
i
m
i
z
a
t
i
o
n
o
f
m
a
c
hi
ne
l
e
a
r
ni
ng
m
o
de
l
s
,
s
pe
c
i
f
i
c
a
ll
y
t
h
r
o
ugh
hy
pe
r
pa
r
a
m
e
t
e
r
t
uni
n
g
us
i
ng
Gr
i
dS
e
a
r
c
h
C
V,
s
i
g
nif
i
c
a
n
t
l
y
e
nh
a
nc
e
s
t
h
e
pe
r
f
o
r
m
a
nc
e
o
f
T
A
S
i
n
5G/6G
s
y
s
t
e
m
s
.
Our
f
i
nd
i
ngs
pr
o
vi
de
c
o
n
c
l
us
i
ve
e
vi
de
n
c
e
t
h
a
t
t
hi
s
phe
n
o
m
e
n
o
n
i
s
a
s
s
o
c
i
a
t
e
d
wi
t
h
i
m
pr
o
v
e
d
c
l
a
s
s
if
i
c
a
t
i
o
n
a
c
c
ur
a
c
y
a
n
d
r
e
duc
t
i
o
n
i
n
c
o
m
put
a
t
i
o
n
a
l
c
o
m
p
l
e
xi
t
y
,
n
o
t
due
to
e
l
e
va
t
e
d
n
u
m
b
e
r
s
o
f
e
xh
a
u
s
t
i
ve
s
e
a
r
c
h
m
e
t
h
o
ds
.
AC
K
NOWL
E
DGM
E
NT
S
T
hi
s
wo
r
k
i
s
pa
r
t
l
y
s
uppo
r
t
e
d
by
t
h
e
Al
g
e
r
i
a
n
M
ini
s
t
r
y
o
f
H
i
g
he
r
E
duc
a
t
i
o
n
a
n
d
R
e
s
e
a
r
c
h
(
P
R
F
U)
pr
o
j
e
c
t
N°
A
25N01U
N080120220001,
t
i
t
l
e
d
"
S
m
a
r
t
T
e
c
h
ni
que
s
f
o
r
5G
a
n
d
6G
W
i
r
e
l
e
s
s
S
y
s
t
e
m
"
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
I
S
S
N:
2
5
0
2
-
4
7
52
Optimiz
ati
on
mac
hine
lear
ning
mode
ls
f
or
s
e
lec
ti
ng
tr
ans
mit
antennas
in
5G/6G
…
(
A
bde
ll
ah
Oulda
mm
ar
)
827
RE
F
E
R
E
NC
E
S
[
1]
G
.
J
.
F
o
s
c
hi
ni
a
nd
M
.
J
.
G
a
ns
,
“
O
n
li
mi
ts
of
w
ir
e
l
e
s
s
c
o
mm
u
ni
c
a
ti
o
ns
in
a
f
a
di
ng
e
n
vi
r
o
nm
e
nt
w
h
e
n
us
in
g
mul
ti
pl
e
a
nt
e
nn
a
s
,”
W
ir
e
le
s
s
P
e
r
s
onal
C
om
m
uni
c
at
io
ns
, v
o
l.
6, n
o
. 3, pp. 311
–
335,
1998, do
i:
10.1023/A:1008889
222784.
[
2]
Y
a
ng
-
S
e
o
k C
h
o
i,
A
. F
.
M
o
li
s
c
h, M
. Z
. W
in
, a
nd J
.
H
. W
in
t
e
r
s
,
“
F
a
s
t
a
lg
o
r
it
hms
f
or
a
nt
e
nna
s
e
l
e
c
ti
o
n
i
n M
I
M
O
s
y
s
t
e
ms
,”
i
n
2003
I
E
E
E
58t
h
V
e
hi
c
ul
ar
T
e
c
hnol
ogy
C
on
f
e
r
e
nc
e
.
V
T
C
2003
-
F
al
l
(
I
E
E
E
C
at
.
N
o.03C
H
37484)
,
O
r
la
ndo
,
F
L
,
U
S
A
:
I
E
E
E
,
2003,
pp.
1733
-
1737, v
o
l.
3,
d
oi
:
10.1109/VE
T
E
C
F
.2003.1285322.
[
3]
S
.
S
a
na
y
e
i
a
nd
A
.
N
o
s
r
a
ti
ni
a
,
“
A
nt
e
nna
s
e
l
e
c
ti
o
n
in
M
I
M
O
s
y
s
te
ms
,”
I
E
E
E
C
om
m
uni
c
at
io
ns
M
agaz
in
e
,
vo
l.
42,
n
o
.
10,
pp.
68
–
73, Oc
t.
2004, d
o
i:
10.1109/M
C
O
M
.2004.1341263.
[
4]
G
.
T
s
o
ul
o
s
a
nd
G
.
V
.
T
s
o
ul
o
s
,
E
ds
.,
M
I
M
O
Sy
s
te
m
T
e
c
hnol
og
y
f
or
W
ir
e
le
s
s
C
om
m
uni
c
at
io
n
s
.
in
E
le
c
tr
i
c
a
l
E
ngi
n
e
e
r
in
g
a
nd
a
ppl
ie
d S
ig
na
l
P
r
o
c
e
s
s
in
g S
e
r
ie
s.
B
o
c
a
R
a
t
o
n [
F
l.
]
:
T
a
y
l
or
& F
r
a
nc
is
, 2006.
[
5]
M
.
L
e
e
a
nd
S
.
K
.
O
h,
“
A
mo
di
f
i
e
d
it
e
r
a
ti
ve
w
a
te
r
-
f
il
li
ng
a
lg
or
it
hm
w
it
h
pe
r
-
it
e
r
a
ti
o
n
po
w
e
r
n
o
r
ma
li
z
a
ti
o
n
in
mul
ti
us
e
r
M
M
S
E
-
pr
e
c
o
d
e
d
M
I
M
O
s
y
s
t
e
ms
,”
in
2008
10
th
I
nt
e
r
nat
io
nal
C
onf
e
r
e
nc
e
on
A
dv
anc
e
d
C
om
m
uni
c
at
i
on
T
e
c
hnol
ogy
,
G
a
ngw
o
n
-
D
o
,
S
o
ut
h
K
or
e
a
:
I
E
E
E
, F
e
b. 2008, pp. 372
–
376,
d
o
i:
10.1109/I
C
A
C
T
.2008.4493781.
[
6]
A
. S
ib
il
le
, C
. O
e
s
tg
e
s
, a
nd A
. Z
a
ne
ll
a
,
M
I
M
O
:
f
r
om
T
he
or
y
to
I
m
pl
e
m
e
nt
at
io
n
. B
ur
li
ngt
o
n, M
A
:
A
c
a
d
e
mi
c
P
r
e
s
s
/E
ls
e
v
i
e
r
, 201
1.
[
7]
J
.
R
.
H
a
mpt
o
n,
I
nt
r
od
uc
ti
on
to
M
I
M
O
C
om
m
uni
c
at
io
ns
,
1s
t
e
d.
C
a
mbr
id
ge
U
ni
ve
r
s
it
y
P
r
e
s
s
,
2013.
do
i:
10.1017/C
B
O
9781107337527.
[
8]
J
.
V
.
C
ua
n
-
C
o
r
te
s
,
C
.
V
a
r
ga
s
-
R
o
s
a
l
e
s
,
a
nd
D
.
M
unoz
-
R
o
dr
ig
ue
z
,
“
M
I
M
O
c
ha
nne
l
c
a
pa
c
it
y
us
in
g
a
nt
e
nna
s
e
l
e
c
t
i
o
n
a
nd
w
a
te
r
po
ur
in
g,”
J
our
nal
of
W
ir
e
le
s
s
C
om
m
uni
c
at
io
ns
and
N
e
tw
or
k
i
ng
,
vol
.
2014,
n
o
.
1,
p.
228,
D
e
c
.
2014,
d
o
i:
10.1186/1687
-
1
499
-
2014
-
228.
[
9]
B.
-
J
.
L
e
e
,
S
.
-
L
.
J
u,
N
.
K
im
,
a
nd
K
.
-
S
.
K
i
m,
“
E
nha
nc
e
d
tr
a
ns
mi
t
-
a
nt
e
nna
s
e
le
c
ti
o
n
s
c
h
e
m
e
s
f
or
mul
ti
us
e
r
ma
s
s
iv
e
M
I
M
O
s
y
s
te
ms
,”
W
ir
e
le
s
s
C
om
m
uni
c
at
io
n
s
and M
obi
le
C
om
put
in
g
, v
o
l.
2017, pp. 1
–
6, 2017, d
o
i:
10.1155/2017
/3
463950.
[
10]
W
.
A
.
S
he
ha
b
a
nd
Z
.
A
l
-
quda
h,
“
S
in
gul
a
r
v
a
lu
e
d
e
c
o
mp
o
s
it
i
o
n:
pr
in
c
ip
l
e
s
a
nd
a
ppl
ic
a
ti
o
ns
in
mul
ti
pl
e
in
put
mul
ti
pl
e
o
ut
put
c
o
mm
uni
c
a
ti
o
n s
y
s
t
e
m,”
I
J
C
N
C
, vo
l.
9, n
o
. 1, pp. 13
–
2
1, J
a
n. 2017, do
i:
10.5121/i
jc
n
c
.2017.9102.
[
11]
V
.
S
.
H
e
nd
r
e
,
M
.
M
ur
uga
n,
a
nd
S
.
K
a
mt
h
e
,
“
P
e
r
f
or
ma
n
c
e
a
na
l
y
s
is
of
t
r
a
ns
mi
t
a
nt
e
nna
s
e
l
e
c
ti
o
n
w
it
h
M
R
C
in
M
I
M
O
f
o
r
im
a
ge
tr
a
ns
mi
s
s
io
n
in
mul
ti
pa
th
f
a
di
ng
c
ha
nne
ls
us
in
g
s
im
u
li
nk,”
I
J
E
C
E
,
vo
l.
5,
n
o
.
1,
p.
119
,
F
e
b.
2015,
do
i:
10.11591/i
je
c
e
.
v
5i
1.pp119
-
128.
[
12]
V
.
H
e
nd
r
e
a
nd
P
.
C
hi
nc
ha
ma
la
tp
ur
e
,
“
I
mpl
e
m
e
nt
a
ti
o
n
of
T
A
S
in
M
I
M
O
u
s
in
g
s
o
f
twa
r
e
de
f
in
e
d
r
a
di
o
,”
in
I
C
C
C
E
2019
,
vo
l.
570,
2020, pp. 317
–
323,
do
i:
10.1007/978
-
981
-
13
-
8715
-
9_38.
[
13]
S
.
K
im
,
“
E
f
f
i
c
i
e
nt
tr
a
ns
mi
t
a
nt
e
nna
s
ubs
e
t
s
e
l
e
c
t
i
o
n
f
o
r
mul
ti
us
e
r
s
pa
c
e
–
ti
m
e
li
n
e
c
o
de
s
y
s
te
ms
,”
Se
ns
or
s
,
v
o
l.
21,
n
o
.
8,
p.
26
90,
A
pr
. 2021, do
i:
10.3390
/s
21082690.
[
14]
P
.
Y
a
ng,
J
.
Z
hu,
Y
.
X
ia
o
,
a
nd
Z
.
C
he
n,
“
A
nt
e
nna
s
e
l
e
c
t
io
n
f
or
M
I
M
O
s
y
s
te
m
ba
s
e
d
o
n
pa
tt
e
r
n
r
e
c
o
gni
ti
o
n,
”
D
ig
it
al
C
om
m
uni
c
at
io
ns
and N
e
tw
or
k
s
, v
o
l.
5, n
o
. 1, pp. 34
–
39,
F
e
b. 2
019, do
i:
10.1016/j
.d
c
a
n.2018.10.001.
[
15]
Z
.
W
a
ng
a
nd
L
.
V
a
nde
nd
o
r
p
e
,
“
A
nt
e
nna
s
e
le
c
ti
o
n
f
o
r
e
ne
r
g
y
e
f
f
ic
i
e
nt
M
I
S
O
s
y
s
t
e
ms
,”
I
E
E
E
C
om
m
uni
c
at
io
ns
L
e
tt
e
r
s
,
vo
l.
21,
no
. 12, pp. 2758
–
2761
, D
e
c
. 2017, d
oi
:
10.1109/
L
C
O
M
M
.2017.2753782.
[
16]
G
.
J
in
,
C
.
Z
ha
o
,
Z
.
F
a
n,
a
nd
J
.
J
in
,
“
A
nt
e
nna
s
e
le
c
t
i
o
n
in
T
D
D
ma
s
s
iv
e
M
I
M
O
s
y
s
te
ms
,”
M
obi
le
N
e
tw
or
k
s
and
A
ppl
ic
at
io
ns
,
vo
l.
26, no
. 5, pp. 1831
–
1837, O
c
t.
2021, d
o
i:
10.1007/s
11036
-
019
-
01297
-
5.
[
17]
L
.
V
.
N
gu
y
e
n,
B
.
C
.
N
gu
y
e
n,
X
.
N
.
T
r
a
n,
a
nd
L
.
T
.
D
ung
,
“
T
r
a
ns
mi
t
a
nt
e
nna
s
e
l
e
c
ti
o
n
f
o
r
f
ul
l
-
dupl
e
x
s
pa
ti
a
l
m
o
dul
a
ti
o
n
mul
ti
pl
e
-
in
put
mu
lt
ip
l
e
-
o
ut
put
s
y
s
t
e
m,”
I
E
E
E
Sy
s
te
m
s
J
our
nal
,
vo
l.
14,
n
o
.
4,
pp.
4777
–
4785,
D
e
c
.
2020,
do
i:
10.1109/J
S
Y
S
T
.2019.2960599.
[
18]
L
.
L
i,
S
.
A
.
V
o
r
o
b
y
ov,
a
nd
A
.
B
.
G
e
r
s
hma
n,
“
T
r
a
ns
mi
t
a
nt
e
nn
a
s
e
le
c
ti
o
n
ba
s
e
d
s
tr
a
te
gi
e
s
in
M
I
S
O
c
o
mm
un
ic
a
ti
o
n
s
y
s
t
e
ms
w
it
h
lo
w
-
r
a
te
c
ha
nne
l
s
ta
te
f
e
e
dba
c
k,”
I
E
E
E
r
ans
ac
ti
ons
on
W
ir
e
le
s
s
C
om
m
uni
c
at
io
ns
,
v
o
l.
8,
n
o
.
4,
pp.
1660
–
1666,
A
pr
.
2009,
do
i:
10.1109/
T
W
C
.2009.080384.
[
19]
J
. J
o
ung, “
M
a
c
hi
n
e
l
e
a
r
ni
ng
-
ba
s
e
d
a
nt
e
nna
s
e
l
e
c
ti
o
n i
n w
i
r
e
le
s
s
c
o
mm
uni
c
a
ti
o
ns
,”
I
E
E
E
C
om
m
uni
c
at
io
ns
L
e
tt
e
r
s
,
vo
l.
20, n
o
.
11,
pp. 2241
–
2244, Nov
. 2016, d
o
i:
10.1109/
L
C
O
M
M
.2016.2594776.
[
20]
T
.
X
.
V
u,
L
.
L
e
i,
S
.
C
ha
tz
in
ot
a
s
,
a
nd
B
.
O
tt
e
r
s
te
n,
“
M
a
c
hi
ne
l
e
a
r
ni
ng
ba
s
e
d
a
nt
e
nna
s
e
le
c
ti
o
n
a
nd
po
w
e
r
a
ll
oc
a
ti
o
n
in
mul
ti
-
us
e
r
M
I
S
O
S
y
s
t
e
ms
,”
in
2019
I
nt
e
r
nat
io
nal
Sy
m
pos
iu
m
on
M
ode
li
ng
and
O
pt
imi
z
at
io
n
in
M
obi
le
,
A
d
H
oc
,
and
W
ir
e
le
s
s
N
e
tw
o
r
k
s
(
W
iO
P
T
)
, A
v
ig
n
o
n, F
r
a
n
c
e
:
I
E
E
E
, J
un. 2019, pp. 1
–
6. d
o
i:
10.2
3919/W
iOP
T
47501.2019.9144088.
[
21]
S
.
G
e
c
g
e
l,
C
.
G
oz
t
e
p
e
,
a
nd
G
.
K
.
K
u
r
t,
“
A
nt
e
nna
s
e
l
e
c
ti
o
n
on
s
pa
ti
a
l
mo
dul
a
ti
o
n:
a
ma
c
hi
n
e
l
e
a
r
ni
ng
a
ppr
o
a
c
h,”
in
2019
27t
h
Si
gnal
P
r
oc
e
s
s
in
g
and
C
om
m
uni
c
at
io
ns
A
ppl
ic
at
i
ons
C
on
fe
r
e
nc
e
(
SI
U
)
,
S
iv
a
s
,
T
ur
k
e
y
:
I
E
E
E
,
A
pr
.
2019,
pp.
1
–
4,
do
i:
10.1109/S
I
U
.2019.8806300.
[
22]
W
.
A
n,
P
.
Z
ha
ng,
J
.
X
u,
H
.
L
u
o
,
L
.
H
ua
ng,
a
nd
S
.
Z
h
o
ng,
“
A
nove
l
ma
c
hi
n
e
l
e
a
r
ni
ng
a
id
e
d
a
nt
e
nna
s
e
l
e
c
ti
o
n
s
c
h
e
m
e
f
o
r
M
I
M
O
in
te
r
n
e
t
of
th
in
gs
,”
Se
ns
or
s
, v
ol
.
20, n
o
. 8, p. 2250, Apr
. 2020,
do
i:
10.3390/s
20082250.
[
23]
T
.
X
.
V
u
e
t
al
.
,
“
M
a
c
hi
n
e
le
a
r
ni
ng
-
e
na
bl
e
d
j
o
in
t
a
nt
e
nna
s
e
le
c
ti
o
n
a
nd
pr
e
c
o
di
ng
d
e
s
ig
n:
f
r
o
m
of
f
li
n
e
c
o
mpl
e
x
it
y
t
o
o
n
li
ne
pe
r
f
or
m
a
nc
e
,”
I
E
E
E
T
r
ans
ac
ti
ons
on
W
ir
e
le
s
s
C
om
m
uni
c
at
io
ns
,
v
o
l.
20,
n
o
.
6,
pp.
3710
–
3722,
J
un.
2021,
do
i:
10.1109/
T
W
C
.2021.3052973.
[
24]
L
.
L
i,
K
.
J
a
mi
e
s
o
n,
G
.
D
e
S
a
l
vo
,
A
.
R
o
s
ta
mi
z
a
de
h,
a
nd
A
.
T
a
lwa
lk
a
r
,
“
H
y
pe
r
ba
nd:
A
n
ove
l
ba
ndi
t
-
ba
s
e
d
a
ppr
o
a
c
h
t
o
h
y
p
e
r
pa
r
a
m
e
t
e
r
o
pt
im
i
z
a
ti
o
n,”
J
our
nal
of
M
ac
hi
ne
L
e
ar
ni
ng
R
e
s
e
a
r
c
h
,
v
o
l.
18,
no
.
185,
1
-
52
,
2018,
do
i:
10.48550/AR
X
I
V
.1603.06560.
[
25]
B
.
C
le
r
c
k
x
a
nd
C
.
O
e
s
tg
e
s
,
“
S
pa
c
e
-
t
im
e
c
o
di
ng
w
i
th
pa
r
ti
a
l
tr
a
ns
mi
t
c
ha
nne
l
kn
o
w
l
e
dg
e
,”
in
M
imo
W
ir
e
le
s
s
N
e
tw
or
k
s
,
E
ls
e
v
i
e
r
,
2013, pp. 335
–
384,
do
i:
10.1016/
B
978
-
0
-
12
-
385055
-
3.00010
-
9.
[
26]
M
d.
S
.
I
.
S
a
ga
r
e
t
al
.
,
“
A
ppl
i
c
a
ti
o
n
of
ma
c
h
in
e
le
a
r
n
in
g
in
e
l
e
c
tr
o
ma
gn
e
ti
c
s
:
mi
ni
-
re
vi
e
w
,”
E
le
c
tr
oni
c
s
,
vo
l.
10,
n
o
.
22,
p.
2
752,
N
ov
. 2021, d
o
i:
10.3390/
e
l
e
c
tr
o
ni
c
s
10222752.
[
27]
A
K
S
O
Y
,
S
e
li
m,
“
N
o
n
-
ba
y
e
s
ia
n
c
la
s
s
if
ie
r
s
P
a
r
t
I
:
k
-
ne
a
r
e
s
t
ne
ig
hb
o
r
c
la
s
s
if
ie
r
a
nd
di
s
ta
nc
e
f
un
c
ti
o
ns
,”
B
.m.:
D
e
pa
r
tm
e
n
t
of
C
o
mput
e
r
E
ngi
n
e
e
r
in
g
B
il
k
e
nt
U
ni
ve
r
s
it
y
,
2009.
[
O
nl
in
e
]
.
A
v
a
il
a
bl
e
:
ht
tp
s
:/
/ww
w
.c
s
.bi
lk
e
nt
.e
du.
tr
/~
s
a
ks
oy
/c
o
u
r
s
e
s
/c
s
5
51
-
S
pr
in
g2005/s
li
de
s
/
c
s
551_no
nba
y
e
s
ia
n1.pd
f
[
28]
C
.
J
ia
ng,
H
.
Z
ha
ng,
Y
.
R
e
n,
Z
.
H
a
n,
K
.
-
C
.
C
he
n,
a
nd
L
.
H
a
nz
o
,
“
M
a
c
hi
ne
l
e
a
r
ni
ng
pa
r
a
di
gms
f
o
r
ne
x
t
-
g
e
ne
r
a
ti
o
n
w
ir
e
le
s
s
ne
tw
o
r
k
s
,”
I
E
E
E
W
ir
e
le
s
s
C
om
m
uni
c
at
io
ns
,
v
o
l.
24, n
o
. 2, pp.
98
–
105, Apr
. 2017, do
i:
10.1109
/M
W
C
.2016.1500356W
C
.
[
29]
Q
I
,
H
a
ir
o
ng,
“
C
O
S
C
522
–
ma
c
hi
ne
le
a
r
ni
ng
l
e
c
tu
r
e
6
–
no
npa
r
a
me
tr
i
c
le
a
r
n
in
g
–
kN
e
a
r
e
s
t
N
e
ig
hb
o
r
(
kN
N
)
,”
B
.m.
:
E
le
c
t
r
ic
a
l
E
ngi
ne
e
r
in
g
a
nd
C
o
mpu
te
r
S
c
i
e
nc
e
U
ni
ve
r
s
it
y
of
T
e
nne
s
s
e
e
,
K
n
oxv
il
le
,
2020.
[
O
nl
in
e
]
.
A
v
a
il
a
bl
e
:
ht
tp
s
:/
/we
b.
e
e
c
s
.ut
k.e
du
/~
hqi
/c
o
s
c
522/
[
30]
C
.
J
.
C
.
B
ur
ge
s
,
“
A
tu
to
r
ia
l
o
n
s
uppor
t
v
e
c
t
or
ma
c
hi
n
e
s
f
o
r
pa
t
t
e
r
n
r
e
c
o
gni
ti
o
n,”
D
at
a
M
in
in
g
and
K
now
le
dge
D
is
c
ov
e
r
y
,
v
o
l
.
2,
no
. 2, pp. 121
–
167, 1998, d
o
i:
10.1023/A:1009715
923555.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
S
S
N
:
2
5
0
2
-
4
7
52
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
,
Vo
l
.
37
,
N
o
.
2
,
F
e
b
r
ua
r
y
20
25
:
8
1
9
-
828
828
[
31]
A
K
S
O
Y
,
S
e
l
im
,
“
N
o
n
-
B
a
y
e
s
ia
n
C
la
s
s
if
ie
r
s
P
a
r
t
I
I
:
li
ne
a
r
di
s
c
r
im
in
a
nt
s
a
nd
s
uppo
r
t
v
e
c
t
or
ma
c
hi
n
e
s
,”
B
.m.:
D
e
pa
r
tm
e
nt
of
C
o
mput
e
r
E
ngi
n
e
e
r
in
g
B
il
k
e
nt
U
ni
v
e
r
s
it
y
.,
2009.
[
O
nl
in
e
]
.
A
v
a
il
a
bl
e
:
ht
tp
s
:/
/ww
w
.
c
s
.bi
lk
e
nt
.
e
du.t
r
/~
s
a
ks
oy
/
c
o
ur
s
e
s
/c
s
5
51/
s
li
de
s
/c
s
551_n
o
nba
y
e
s
ia
n2.pd
f
[
32]
J
.
J
a
ga
nna
th
,
N
.
P
o
lo
s
k
y
,
A
.
J
a
ga
nna
th
,
F
.
R
e
s
tu
c
c
ia
,
a
nd
T
.
M
e
lo
di
a
,
“
M
a
c
hi
ne
l
e
a
r
ni
ng
f
o
r
w
ir
e
le
s
s
c
o
mm
uni
c
a
ti
o
ns
in
th
e
in
te
r
n
e
t
of
th
in
gs
:
a
c
o
mpr
e
h
e
ns
i
v
e
s
ur
ve
y
,”
A
d H
oc
N
e
tw
or
k
s
, vo
l.
93, p. 101913, O
c
t.
2019, d
o
i:
10.1016/j
.a
dh
oc
.2019.10191
3.
[
33]
Q
I
,
H
a
i
r
o
ng,
“
C
O
S
C
522
–
ma
c
hi
n
e
l
e
a
r
ni
ng
l
e
c
tu
r
e
13:
s
up
po
r
t
ve
c
t
or
ma
c
hi
n
e
,”
B
.
m.:
E
le
c
t
r
ic
a
l
E
ngi
n
e
e
r
in
g
a
nd
C
o
mp
ut
e
r
S
c
i
e
n
c
e
U
ni
ve
r
s
it
y
of
T
e
nn
e
s
s
e
e
,
K
n
oxv
il
l
e
., 2020. [
O
nl
in
e
]
. A
v
a
il
a
bl
e
:
ht
tp
s
:/
/we
b.
e
e
c
s
.ut
k.e
du/
~
hqi
/
c
o
s
c
522/
B
I
OG
RA
P
HI
E
S
OF
AU
T
HO
RS
Abd
e
ll
ah
Ou
l
d
am
m
a
r
w
as
b
o
rn
i
n
T
i
p
aza
(A
l
g
e
ri
a),
a
n
d
r
ecei
v
ed
a
Bac
h
el
o
r’s
d
e
g
r
ee
i
n
2
0
1
6
,
a
L
i
cen
s
e
d
eg
r
ee
i
n
T
el
eco
mm
u
n
i
c
at
i
o
n
,
an
d
a
Mas
t
e
r’s
i
n
T
e
l
ec
o
mmu
n
i
c
at
i
o
n
s
S
y
s
t
em
s
fro
m
B
ec
h
ar
U
n
i
v
e
rs
i
t
y
i
n
2
0
2
1
.
A
c
t
u
a
l
l
y
,
H
e
i
s
a
mem
b
e
r
o
f
t
h
e
L
ab
o
rat
o
r
y
o
f
I
n
f
o
r
m
at
i
o
n
Pr
o
ce
s
s
i
n
g
an
d
T
e
l
eco
mmu
n
i
c
at
i
o
n
(L
T
I
T
)
at
t
h
e
U
n
i
v
e
rs
i
t
y
o
f
Bec
h
ar
,
w
h
e
r
e
h
e
i
s
p
re
p
ari
n
g
a
P
h
.
D
.
t
h
e
s
i
s
i
n
T
e
l
ec
o
mmu
n
i
c
at
i
o
n
S
y
s
t
em
s
.
H
i
s
c
u
rr
en
t
re
s
e
ar
ch
i
n
t
e
r
e
s
t
s
i
n
c
l
u
d
e
t
h
e
ap
p
l
i
c
at
i
o
n
o
f
m
a
ch
i
n
e
l
e
arn
i
n
g
i
n
5
G
s
y
s
t
em
s
.
H
e
c
a
n
b
e
c
o
n
t
ac
t
e
d
at
em
a
i
l
:
o
u
l
d
a
mm
ar.
ab
d
el
l
a
h
@
u
n
i
v
-
b
ec
h
ar.
d
z
.
A
bdel
m
o
un
a
i
m
M
o
u
l
a
y
La
khda
r
g
o
t
t
h
e
E
n
g
i
n
ee
ri
n
g
D
eg
r
ee
i
n
T
e
l
ec
o
mmu
n
i
c
at
i
o
n
i
n
2
0
0
0
at
t
h
e
I
n
s
t
i
t
u
t
e
o
f
T
el
ec
o
mmu
n
i
c
at
i
o
n
s
i
n
O
ran
.
Mag
i
s
t
e
r
w
as
t
h
e
s
e
co
n
d
d
eg
r
ee
i
n
Si
g
n
a
l
an
d
t
el
ec
o
m
at
D
j
i
l
l
al
i
L
IA
BE
S
u
n
i
v
e
rs
i
t
y
o
f
S
i
d
i
B
e
l
A
b
b
e
s
i
n
2
0
0
3
.
Fro
m
2
0
0
4
u
p
p
re
s
e
n
t
,
h
e
w
o
r
k
e
d
i
n
t
h
e
B
ec
h
ar
U
n
i
v
e
rs
i
t
y
as
l
ec
t
u
r
e
r.
Si
n
ce
Ma
y
2
0
0
9
,
h
e
g
rad
u
at
e
d
P
h
.
D
.
E
s
S
c
i
en
ce
s
at
Si
d
i
B
el
A
b
b
e
s
.
H
e
d
o
e
s
h
i
s
re
s
e
ar
c
h
a
c
t
i
v
i
t
y
at
t
h
e
B
ec
h
ar
U
n
i
v
e
rs
i
t
y
a
n
d
Co
mmu
n
i
c
at
i
o
n
s
,
A
r
ch
i
t
e
c
t
u
r
e
an
d
Me
d
i
a
L
ab
o
rat
o
r
y
(C
A
MR)
(
D
j
i
l
l
al
i
L
IA
BE
S
U
n
i
v
e
rs
i
t
y
)
a
n
d
h
e
i
s
b
e
i
n
g
L
T
I
T
L
ab
o
rat
o
r
y
d
i
rec
t
o
r
at
Bé
c
h
ar
u
n
i
v
e
rs
i
t
y
s
i
n
c
e
2
0
1
5
.
H
i
s
r
e
s
e
ar
c
h
i
n
t
e
r
e
s
t
s
are
i
m
a
g
e
t
ran
s
mi
s
s
i
o
n
,
i
m
ag
e
p
ro
ce
s
s
i
n
g
,
an
d
d
i
g
i
t
al
t
r
an
s
mi
s
s
i
o
n
p
e
rfo
r
m
an
ce.
Co
rr
e
s
p
o
n
d
e
n
ce
a
d
d
r
e
s
s
:
B
ech
ar
U
n
i
v
e
rs
i
t
y
,
D
e
p
art
men
t
o
f
E
l
ec
t
ri
c
a
l
e
n
g
i
n
ee
ri
n
g
,
B
ec
h
ar,
A
l
g
e
ri
a.
H
e
c
an
b
e
c
o
n
t
ac
t
e
d
a
t
e
m
a
i
l
:
m
o
u
l
a
y
.
ab
d
el
m
o
u
ai
m@
u
n
i
v
-
b
e
ch
ar.
d
z
.
A
hm
ed
Bo
u
i
da
w
as
b
o
rn
i
n
B
ec
h
ar
(A
l
g
e
r
i
a),
r
ece
i
v
ed
a
Ba
c
h
el
o
r's
i
n
1
9
8
9
,
a
n
E
n
g
i
n
ee
r
's
d
e
g
r
ee
i
n
E
l
ec
t
ri
c
al
E
n
g
i
n
ee
ri
n
g
fr
o
m
t
h
e
U
n
i
v
e
rs
i
t
y
D
j
i
l
l
a
l
i
L
I
A
B
E
S
o
f
S
i
d
i
B
e
l
A
b
b
e
s
(A
l
g
e
r
i
a)
i
n
1
9
9
4
,
t
h
e
Mag
i
s
t
e
r
d
eg
ree
i
n
E
l
ec
t
ro
n
i
c
fro
m
t
h
e
U
n
i
v
e
rs
i
t
y
D
j
i
l
l
a
l
i
L
IA
BE
S
o
f
Si
d
i
B
el
A
b
b
e
s
(A
l
g
e
r
i
a)
i
n
2
0
0
8
(A
l
g
e
ri
a
),
an
d
t
h
e
Ph
.
D
.
d
e
g
r
ee
i
n
E
m
b
ed
d
ed
E
l
ec
t
ro
n
i
c
S
y
s
t
em
s
fro
m
t
h
e
U
n
i
v
e
rs
i
t
y
o
f
B
ec
h
ar.
H
e
i
s
an
as
s
i
s
t
an
t
p
ro
fe
s
s
o
r
at
t
h
e
U
n
i
v
e
rs
i
t
y
o
f
B
ec
h
ar
an
d
a
L
ab
o
rat
o
r
y
o
f
In
fo
r
m
at
i
o
n
Pr
o
ce
s
s
i
n
g
an
d
T
e
l
eco
mm
u
n
i
c
at
i
o
n
(L
T
I
T
)
mem
b
e
r.
H
i
s
c
u
rr
en
t
re
s
e
ar
c
h
i
n
t
e
r
e
s
t
s
i
n
c
l
u
d
e
i
m
ag
e
p
ro
ce
s
s
i
n
g
,
b
i
o
me
t
ri
c
i
m
ag
e
c
o
m
p
r
e
s
s
i
o
n
,
w
av
el
e
t
t
ran
s
fo
r
m
,
i
m
ag
e
q
u
al
i
t
y
as
s
e
s
s
me
n
t
,
i
m
a
g
e
s
eg
me
n
t
at
i
o
n
,
an
d
d
ee
p
l
e
ar
n
i
n
g
ap
p
l
i
c
at
i
o
n
.
H
e
c
a
n
b
e
co
n
t
a
c
t
ed
at
em
ai
l
:
Bo
u
i
d
a.
ah
med
@
u
n
i
v
-
b
ec
h
ar.
d
z
.
Kh
a
l
ed
M
eri
t
i
s
an
A
s
s
i
s
t
an
t
Pro
fe
s
s
o
r
i
n
T
el
eco
mm
u
n
i
c
at
i
o
n
s
at
T
ah
r
i
Mo
h
a
mme
d
U
n
i
v
e
rs
i
t
y
o
f
B
ech
ar
(
U
T
MB),
B
ec
h
ar
,
A
l
g
e
r
i
a.
H
e
r
ec
ei
v
ed
a
Mag
i
s
t
e
r
d
e
g
r
ee
i
n
T
e
l
ec
o
mmu
n
i
c
at
i
o
n
s
an
d
an
E
n
g
i
n
ee
ri
n
g
d
eg
ree
i
n
T
e
l
eco
mm
u
n
i
c
at
i
o
n
s
w
i
t
h
m
a
j
o
rs
fro
m
N
at
i
o
n
a
l
In
s
t
i
t
u
t
e
o
f
T
el
ec
o
mmu
n
i
c
at
i
o
n
&
I
CT
O
ran
(
A
l
g
e
r
i
a)
i
n
2
0
0
7
an
d
2
0
1
1
,
re
s
p
ec
t
i
v
el
y
.
Cu
rren
t
l
y
p
u
rs
u
i
n
g
a
Ph
.
D
.
d
e
g
r
ee
at
T
ah
ri
M
o
h
a
mmed
U
n
i
v
e
rs
i
t
y
o
f
B
ec
h
ar
,
B
ec
h
ar
,
A
l
g
e
r
i
a.
Mr.
ME
R
I
T
’s
re
s
e
ar
c
h
i
n
t
e
r
e
s
t
s
i
n
cl
u
d
e
Pat
t
e
r
n
R
eco
g
n
i
t
i
o
n
,
Co
m
p
u
t
e
r
V
i
s
i
o
n
,
an
d
Ma
ch
i
n
e
L
e
ar
n
i
n
g
.
Co
rr
e
s
p
o
n
d
e
n
ce
ad
d
r
e
s
s
:
In
fo
r
m
at
i
o
n
Pro
ce
s
s
i
n
g
an
d
T
el
ec
o
mmu
n
i
c
at
i
o
n
L
ab
o
rat
o
r
y
(
L
T
I
T
),
T
ah
r
i
Mo
h
a
mme
d
U
n
i
v
e
rs
i
t
y
,
B
ec
h
ar
0
8
0
0
0
,
A
l
g
e
ri
a.
H
e
c
an
b
e
c
o
n
t
ac
t
e
d
at
em
ai
l
:
me
r
i
t
.
k
h
al
ed
@
u
n
i
v
-
b
ech
ar.
d
z
.
Evaluation Warning : The document was created with Spire.PDF for Python.