Low-power wireless sensor network with compressed sensing theory
Notice bibliographique
Résumé
Wireless Sensor Networks (WSNs) have application in a variety of fields including inhospital locations, military purposes, transportation automation, home and industrial automation. WSNs also are used in monitoring synchronous or asynchronous events that require periodic data collection. WSNs consist of a large number small device or Wireless Nodes (WNs) and are responsible for sensing, collecting, processing and monitoring information of real world environments. WSNs consist of a Data Acquisition Network (DAN) and a Data distribution Network (DDN) which monitored and controlled by a management center. The primary limiting factor for the lifetime of a WSN is the power supply. Regarding the applications of WSNs it is often impossible to obtain physical access to replace or charge battery. Therefore we can design low power WSNs. In WSNs, the events are sparse signal compared with the number of sources. That is why; the compressed sensing theory holds promising to reduce power consumption. Compressed Sensing shows that spars signals such as signals of WSNs can be exactly reconstructed from a small number of random linear measurements. Compressed Sensing theory can reduce number of bits information through whole of the network and consequently decrease amount of current that drawn from power supply. With this in mind, we introduce a new mechanism to design low-power WSN with compressed sensing theory. This paper gives a background of compressed sensing theory, and then describes important concepts in wireless sensor networks, and finally our simulation by applying compressed sensing in WSNs theory is described.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».