MétaCan
Menu
Retour à la cohorte
Enregistrement W2160462786 · doi:10.1109/seconw.2015.7328141

A reliable and energy efficient IoT data transmission scheme for smart cities based on redundant residue based error correction coding

2015· article· en· W2160462786 sur OpenAlexaff
Chinmaya Mahapatra, Zhengguo Sheng, Victor C. M. Leung, T. Stouraitis

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueEnergy Efficient Wireless Sensor Networks
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSmart cityNetwork packetLow latency (capital markets)Software deploymentInternet of ThingsFault toleranceEfficient energy useDistributed computingError detection and correctionInformation and Communications TechnologyData transmissionWirelessWireless sensor networkReal-time computingComputer networkEmbedded systemTelecommunicationsEngineering

Résumé

récupéré en direct d'OpenAlex

Cities today face multifarious challenges, including environmental sustainability, and low carbon solutions. Given these trends, it is critical to understand how information and communication technology (ICT) can benefit the future of city-planning process. Internet of Things (IoT) is a futuristic communication concept integrating plethora of interconnected heterogeneous objects forming a large scale smart city system, that is, it can communicate and control other objects over a global network. Hence, devising a fault tolerant mechanism is very important because of construction and deployment characteristics of these smart low powered sensing devices. In this paper, we propose a fault detection and error correction scheme based on redundant residue arithmetic, which provides a low complexity, delay tolerant and energy-efficient data transmission solution. By comparing the proposed method with existing solution in perceived packet loss rate and expected delivery latency, we show advantages of the proposed solution in improving data transmission quality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,666
Score d'incertitude au seuil0,938

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,265
Écart entre enseignants0,212 · 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 tête enseignante, 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
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEnergy Efficient Wireless Sensor NetworksTravaux en français237 207