MétaCan
Menu
Retour à la cohorte
Enregistrement W2044047206 · doi:10.1117/12.618526

Dynamic sensor management for distributed tracking

2005· article· en· W2044047206 sur OpenAlexaff
Ratnasingham Tharmarasa, T. Kirubarajan, Jianfeng Peng

Notice bibliographique

RevueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIE · 2005
Typearticle
Langueen
DomaineComputer Science
ThématiqueDistributed Sensor Networks and Detection Algorithms
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceWireless sensor networkCluster analysisFusion centerTransmission (telecommunications)Sensor fusionReal-time computingInteger programmingTracking (education)AlgorithmWirelessArtificial intelligenceCognitive radioComputer networkTelecommunications

Résumé

récupéré en direct d'OpenAlex

In this paper, we consider the general problem of dynamic assignment of sensors to local fusion centers (LFCs) in a distributed tracking framework. As a result of recent technological advances, a large number of sensors can be deployed and used for tracking purposes. However, only a certain of number of sensors can be used by each local fusion center due to physical limitations. In addition, the number of available frequency channels is also limited. We can expect that the transmission power of the future sensors will be software controllable within certain lower and upper limits. Thus, the frequency reusability and the sensor reachability can be improved. Then, the problem is to select the sensor subsets that should be used by each LFC and to find their transmission frequencies and powers, in order to maximize the tracking accuracies as well as to minimize the total power consumption. This is an NP-hard multi-objective mixed-integer optimization problem. In the literature, sensors are clustered based on target or geographic location, and then sensor subsets are selected from those clusters. However, if the total number of LFCs is fixed and the total number of targets varies or a sensor can detect multiple targets, target based clustering is not desirable. Similarly, if targets occupy a small part of the surveillance region, location based clustering is also not optimal. In addition, the frequency channel limitation and the advantage of the variable transmitting power are not discussed well in the literature. In this paper, we give the mathematical formulation of the above problem. Then, we present an algorithm to find a near optimal solution to the above problem in real time. Simulation results illustrating the performance of the sensor array manager are also presented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,226
Écart entre enseignants0,217 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIEMême sujetDistributed Sensor Networks and Detection AlgorithmsTravaux en français237 207