Reliability-Based Hybrid Data Fusion Method for Adaptive Location Estimation in Construction
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
Materials tracking and locating, which can be accomplished through various technologies and data sources, are key elements affecting construction productivity. The need for developing fundamental methods to take advantage of the relative strengths of each technology and data source while dealing with their limitations motivates the development in this paper of data fusion methods for improving materials location estimation. Particular attention is paid to situations in a construction environment in which radio-frequency identification (RFID) tags are attached to each piece of material, and the materials may be repeatedly moved around the site. The construction dynamics, the high noise ratio, and the limitations of the utilized sensing systems result in imperfect data that is imprecise and uncertain. A key challenge is using this imperfect data to improve accuracy and precision while maintaining cost-effectiveness and scalability. To address this issue, a hybrid data-fusion method was developed to increase confidence, accuracy and precision, and add robustness to measurement estimates. This hybrid method leverages evidential belief reasoning and soft computing techniques. The experimental results show that the hybrid fusion method outperforms the traditional methods in data fusion for location estimation. This study has successfully addressed the challenges of fusing data from a range of simple to complex sensor sources within a very noisy and dynamic construction environment. The results presented in this paper indicate that the proposed method has the potential to improve location estimation and to be robust to measurement noise and future advances in technology.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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