Extending the Lifetime of Wireless Sensor Networks with Spatial Data Aggregation
Notice bibliographique
Résumé
In this thesis, we propose mechanisms to extend the lifetime of wireless sensor networks. In-network data aggregation is considered on both tree-based and flow-based routing protocols during the process of data collection to reduce redundant transmissions. In the flow-based data collection design, we introduce the concept of flow loss multiplier to express the impact of data aggregation over correlated data. The application has the freedom to set the flow loss multiplier to reflect its specific knowledge of correlation. We also introduce traffic balancing as a complementary technique to data aggregation. It helps avoid exhausting the energy of any sensor node while leaving large amounts of energy at other nodes. In tree-based data collection schemes, we adjust the tree structure judiciously to balance energy consumption before any node's failure due to total residual energy depletion. In flow-based schemes, after aggregation, data flows are split and the fragments are spread to increase network lifetime. We investigate the impact of performing greedily data aggregation at the "best" aggregation site regardless of its location, the results of our analysis show that only applying 2-way data aggregation may limit the ability to explore more complex aggregation possibilities. To address this problem, we propose an aggressive data aggregation for a specified application, contour map reconstruction. Based on the simulation results, our aggregation scheme is shown to be able to eliminate large volume of contour data and retain satisfying data accuracy.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».