DuRT: Dual RSSI Trend Based Localization for Wireless Sensor Networks
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
Localization is a key issue in wireless sensor networks. The geographical location of sensors is important information that is required in sensor network operations such as target detection, monitoring, and rescue. These methods are classified into two categories, namely range-based and range-free. Range-based localizations achieve high location accuracy by using specific hardware or using absolute received signal strength indicator (RSSI) values, whereas range-free approaches obtain location estimates with lower accuracy. Because of the hardware and energy constraints in sensor networks, RSSI offers a convenient method to find the position of sensor nodes. However, in the presence of channel noise, fading, and attenuation, it is not possible to estimate the actual location. In this paper, we propose an RSSI-based localization scheme that considers the trend of RSSI values obtained from beacons to estimate the position of sensor nodes. Through applying polynomial modeling on the relationship between received RSSI and distance, we are able to locate the maximum RSSI point on the anchor trajectory. Using two such trajectories, the sensor position can be determined by calculating the intersection point of perpendiculars passing through the maximum RSSI point on each trajectory. In addition, we devised schemes to improve the localization method to perform under a variety of cases such as single trajectory, unavailability of RSSI trends, and so. The advantage of our scheme is that it does not rely on absolute RSSI values and hence, can be applied in dynamic environments. In simulations, we demonstrate that the proposed localization scheme achieves higher location accuracy compared with existing localization approaches.
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 | 0,000 | 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