MétaCan
Menu
Retour à la cohorte
Enregistrement W2317179323 · doi:10.1109/tvt.2016.2537403

Mobile Sensors Deployment Subject to Location Estimation Error

2016· article· en· W2317179323 sur OpenAlexafffund
Hamid Mahboubi, Mojtaba Vaezi, Fabrice Labeau

Notice bibliographique

RevueIEEE Transactions on Vehicular Technology · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensMcGill University
Organismes subventionnairesHydro-QuébecFonds Québécois de la Recherche sur la Nature et les TechnologiesNatural Sciences and Engineering Research Council of CanadaMcGill University
Mots-clésVoronoi diagramComputer scienceSoftware deploymentWireless sensor networkGlobal Positioning SystemNode (physics)Real-time computingExploitSet (abstract data type)AlgorithmComputer networkEngineeringMathematicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

Voronoi-based mobile sensor deployment algorithms require the knowledge of sensors' locations to guarantee a simple reliable coverage detection, and they miss the mark if the location is inaccurate. However, in practice, it is often too expensive to include a Global Positioning System (GPS) receiver in each node, and location information is inaccurate as sensors estimate locations from the messages they receive. We study sensor deployment algorithms in the presence of location estimation error for sensors with nonidentical sensing ranges. We propose a set of Voronoi-based diagrams, which are called guaranteed Voronoi diagrams (VDs), that guarantee single-cell-based coverage hole detection algorithms, provided that upper bounds on localization errors are assumed. Although inaccuracy of location information would appear to deteriorate the total coverage, our simulation results demonstrate that the proposed algorithms can exploit this inaccuracy to improve network coverage. Hence, even if the location information is exactly known at each node, assuming some error margins improves the network coverage if guaranteed Voronoi diagrams are used.

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)0,000
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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,896
Score d'incertitude au seuil0,721

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,008
Tête enseignante GPT0,229
Écart entre enseignants0,220 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations17
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Vehicular TechnologyMême sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207