Lifetime Maximization in UWB Sensor Networks for Event Detection
Notice bibliographique
Résumé
The operational lifetime of a wireless sensor network (WSN) for event detection is determined by the maximum time that the network is able to meet given detection requirements (DRs), i.e., the probabilities of detection and false alarm demanded by the application. In this paper, we address the problem of maximizing lifetime of such WSNs through optimizing quantization and routing of event measurements. In particular, we consider the task of monitoring multiple events and reporting the observations to a sink, whereby sensor nodes adapt their data generation rate and the data flow distribution in the network for the purpose of lifetime maximization. We make use of ultra-wideband (UWB) signaling at the physical layer, which is well-suited for event-detection WSNs, because of the low-energy consumption for data transmission and relative robustness to multiuser interference. Expressing the DRs as convex constraints in the optimization variables, we present a convex-optimization framework for lifetime maximization of event detection UWB-based WSNs. Furthermore, based on the dual decomposition approach, we propose a decentralized algorithm, which makes it possible to solve the lifetime-maximization problem in a distributed manner and thus shares the computational complexity among network nodes and is robust to artifacts like node failures. Numerical results show that the proposed joint adaptation of quantization and routing leads to significant improvements in network operational lifetime compared to benchmark approaches known from literature.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».