MétaCan
Menu
Retour à la cohorte
Enregistrement W2024591913 · doi:10.1109/aina.2014.112

Energy Hole Analysis for Energy Efficient Routing in BANs

2014· article· en· W2024591913 sur OpenAlexaff
K. Latif, Nadeem Javaid, Adeel Iqbal, Zahoor Ali Khan, Umar Qasim, Turki Ali Alghamdi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueWireless Body Area Networks
Établissements canadiensUniversity of AlbertaDalhousie University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceEnergy consumptionRouting (electronic design automation)Computer networkMultipath routingDynamic Source RoutingStatic routingNetwork packetRouting protocolEnergy (signal processing)Wireless sensor networkGeographic routingLink-state routing protocolPolicy-based routingNode (physics)Efficient energy useEngineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Wireless Body Area sensor Networks (WBANs) enable innovative health care monitoring. Limited energy source of a sensor node limits WBANs for long time monitoring of health care. Efficient energy utilization is therefore one of the research challenges inWBANs. In this research work we analysed energy utilization of popular routing techniques. We formulate a mathematical framework to identify energy utilization in transmission, receive and over-hearing processes. Simulation results show that how distance, packet size, and over-hearing effect different routing techniques from energy consumption perspective. From the analysis, we produced useful results which are helpful in: identifying overloaded nodes in the network which may cause creation of energy holes, and in designing new routing techniques for specific WBANs application.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,923
Score d'incertitude au seuil0,499

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,186
Écart entre enseignants0,181 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWireless Body Area NetworksTravaux en français237 207