Notice bibliographique
Résumé
IntroductionAdvancements in silicon technology, micro-electro-mechanical systems (MEMS), wireless communications, and digital electronics have led to the proliferation of wireless sensor networks (WSNs) in a wide variety of application domains including military, health, ecology, environment, industrial automation, civil engineering, and medical.This wide application diversity combined with complex sensor node architectures, functionality requirements, and highly constrained and harsh operating environments makes WSN design very challenging.One critical WSN design challenge involves meeting application requirements such as lifetime, reliability, throughput, delay (responsiveness), etc. for myriad of application domains.Furthermore, WSN applications tend to have competing requirements, which exacerbates design challenges.For example, a high priority security/defense system may have both high responsiveness and long lifetime requirements.The mechanisms needed for high responsiveness typically drain battery life quickly, thus making long lifetime difficult to achieve given limited energy reserves.Commercial off-the-shelf (COTS) sensor nodes have difficulty meeting application requirements due to the generic design traits necessary for wide application applicability.COTS sensor nodes are mass-produced to optimize cost and are not specialized for any particular application.Fortunately, COTS sensor nodes contain tunable parameters (e.g., processor voltage and frequency, sensing frequency, etc.) whose values can be specialized to meet application requirements.However, optimizing these tunable parameters is left to the application designer.Optimization techniques at different design levels (e.g., sensor node hardware and software, data link layer, routing, operating system (OS), etc.) assist designers in meeting application requirements.WSN optimization techniques can be generally categorized as static or dynamic.Static optimizations optimize a WSN at deployment time and remain fixed for the WSN's lifetime.Whereas static optimizations are suitable for stable/predictable applications, static optimizations are inflexible and do not adapt to changing application requirements and environmental stimuli.Dynamic optimizations provide more flexibility by continuously optimizing a WSN/sensor node during runtime, providing better adaptation to changing application requirements and actual environmental stimuli.This chapter introduces WSNs from an optimization perspective and explores optimization strategies employed in WSNs at different design levels to meet application requirements 13 www.intechopen.comSustainable Wireless Sensor Networks 314 Design-level Optimizations Architecture-level bridging, sensorweb, tunneling Component-level parameter-tuning (e.g., processor voltage and frequency, sensing frequency), MDP-based dynamic optimization Data Link-level load balancing and throughput, power/energy Network-level query dissemination, data aggregation, real-time, network topology, resource adaptive, dynamic network reprogrammingOperating System-level event-driven, dynamic power management, fault-tolerance How to referenceIn order to correctly reference this scholarly work, feel free to copy and paste the following:
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».