Dynamic sensor management for distributed tracking
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle