A hybrid approach using mobile element and hierarchical clustering for data collection in WSNs
Notice bibliographique
Résumé
How to minimize the energy dissipation and extend the lifetime of wireless sensor networks (WSNs) is still an active research topic nowadays. Hierarchical routing based on node clustering is an effective method, while using mobile elements (MEs) to gather data can prevent huge energy consumption of the sensors from long-distance transmission. Considering that both methods have pros and cons, this paper presents a hybrid approach, called Node Density based Clustering and Mobile Collection (NDCM), to combine the hierarchical routing and ME data collection in WSNs. A number of Cluster Heads (CHs) first gather information from the cluster members and then the ME visits these CHs to collect data. A new CH selection scheme based on the node density is proposed. Thus, a node at the center of an area where nodes are densely deployed is more likely to be a CH, which can improve the efficiency of both intra-cluster routing and ME data collection. We also introduce a simple Random Clustering and Mobile Collection (RCM) scheme according to which a number of CHs are selected randomly throughout the network. In addition, the nodes which are covered by the radio range of the ME, called Virtual Heads (VHs), can also send/relay packets directly to the ME. The different mobility schemes are compared through extensive simulations and the results show that the proposed hybrid NDCM scheme leads to remarkable improvement in network lifetime and convenient trade off between the network energy saving and packet latency.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».