MobiL-AUV: AUV-Aided Localization Scheme for Underwater Wireless Sensor 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
In this paper, we present the mobile autonomous underwater vehicle (AUV)-aided efficient localization scheme for underwater wireless sensor networks (UWSNs). Localization is one of the major issues in UWSNs as it is important in some large scale applications to know the accurate position of sensor nodes. It is more difficult to localize a node in underwater environment compared to terrestrial. The global positioning system (GPS) signals can not travel underwater, so in UWSNs the use of GPS service for localization is not feasible. The sensor nodes deployed in underwater network are greatly affected by water currents. Due to water currents the sensor nodes move freely. In order to find the accurate position of sensor nodes, we introduce an effective localization solution. An AUV-aided localization technique which helps to localize ordinary nodes with less localization error is introduced in this paper. Three mobile AUVs are introduced in proposed scheme, that act as a reference nodes. These mobile AUVs are deployed in underwater network at predefined depth. The mobile AUVs accelerate towards the surface to find their three dimensional coordinates with the help of GPS satellite and dive back to underwater network. These mobile nodes act as reference nodes and are responsible for the localization of ordinary unlocalized nodes. By exploiting spatial correlation, the ordinary nodes predict their mobility pattern. Mobile AUVs provide enough coverage to the underwater network, which results in efficient localization.
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