Weighted partial network coding and its applications in wireless mesh networks
Notice bibliographique
Résumé
ABSTRACT Network coding (NC) has showed to be beneficial to improve transmission performance in wireless mesh networks. Random linear coding is usually applied as the default coding schema. However, random linear coding causes significant decoding delay and jitter at receiver. Further, current NC does not support weight assignment to original packets, which is however indispensable for popular applications such as quality of service control and multipath media streaming in wireless mesh networks. Partial network coding (PNC) can largely reduce decoding delay and receiving fluctuation while keeping the benefit of NC. However, PNC does not support weight‐based data replacement and weight assignment to original packets. In this work, we propose weighted partial network coding (WPNC), which is a generalized coding schema of PNC. WPNC inherits all merits of PNC and part of NC. With WPNC, both decoding delay and receiving fluctuation will be reduced as observed in PNC. Also, WPNC is quite suitable for those applications that require weight assignment to original packets. After providing the whole framework of WPNC and thorough theoretical analysis to its performance, we have demonstrated how WPNC can be integrated with quality of service control and multipath routing supported media streaming in wireless mesh networks. Performance of WPNC is inter‐validated by both theoretical analysis and numeric evaluations. Copyright © 2011 John; Wiley & Sons, Ltd.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».