DV-maxHop: A Fast and Accurate Range-Free Localization Algorithm for Anisotropic Wireless Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Localization awareness is a fundamental requirement in many Internet of Things (IoT) and other wireless sensor applications. The information transmitted by an individual entity or node is of limited use without the knowledge of its location. Research in this area is mostly geared towards multi-hop range-free localization algorithm as that only utilizes connectivity (neighbors) information. This work focuses on anchor-based, range-free localization algorithm, particularly in anisotropic networks. We observe that the pioneer Distance Vector Hop or DV-Hop algorithm, which provides accurate estimation in isotropic networks, can be enhanced to compute localization estimation for anisotropic networks with similar or comparable accuracy. The recently proposed algorithms for anisotropic networks are complex with communication and computational overheads. These algorithms may also be overkill for several location dependent protocols and applications. This paper proposes a scheme, called DV-maxHop, which reaches comparable accuracy quickly utilizing simpler, practical and proven variant of the DV-Hop algorithm. We evaluate the performance of our scheme using extensive simulation on several topologies under the effect of multiple anisotropic factors such as the existence of obstacles, sparse and non-uniform sensor distribution, and irregular radio propagation pattern. Even for isotropic networks, our scheme out-performed recent algorithms with lower computational overheads as well as reduced energy or communication cost due to its faster convergence. We also introduce the formulation and simulation of Multi-objective Optimization to obtain the optimal solution.
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.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle