Data Capacity Improvement of Wireless Sensor Networks Using Non-Uniform Sensor Distribution
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
Energy conservation is an important design consideration for battery powered wireless sensor networks (WSNET). Energy constraint in WSNETs limits the total amount of sensed data (data capacity) received by sinks. In the commonly used static model of sensor networks with uniformly distributed homogenous sensors with a stationary sink, sensors close to the sink drain their energy much faster than sensors far away from the sink due to the unevenly distributed forwarding workloads among sensors. A major issue, which has not been adequately addressed so far, is the question of how sensor deployment governs the data capacity, and how to improve data capacity of WSNETs. In our previous work, we provided a simple analytical model to address this issue for one specific type of WSNETs. In this paper, we extend our previous work to address this issue for general WSNETs. In the extended static models, for large networks, we find that after the lifetime of a sensor network is over, there is a great amount of energy left unused, which can be up to 90% of the total initial energy. Thus, the static models with uniformly distributed homogenous sensors cannot effectively utilize their energy. This energy waste implies that the potential data capacity is much larger than the capacity achieved in these static models. To increase the total data capacity, we propose a non-uniform sensor distribution strategy. Simulation results show that, for large, dense WSNETs, the non-uniform sensor distribution strategy can increase the total data capacity by an order of magnitude.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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