MétaCan
Menu
Retour à la cohorte
Enregistrement W2066631219 · doi:10.1109/jsen.2013.2257731

DuRT: Dual RSSI Trend Based Localization for Wireless Sensor Networks

2013· article· en· W2066631219 sur OpenAlexaff
Pratap Kumar Sahu, Eric Hsiao‐Kuang Wu, Jagruti Sahoo

Notice bibliographique

RevueIEEE Sensors Journal · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensUniversité de SherbrookeUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésWireless sensor networkBeaconComputer scienceReceived signal strength indicationUnavailabilityTrajectoryReal-time computingRange (aeronautics)Position (finance)WirelessComputer networkTelecommunicationsEngineeringMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

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.

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)0,002
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

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

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 GPT0,208
Écart entre enseignants0,198 · 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

Citations122
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207