MétaCan
Menu
Retour à la cohorte
Enregistrement W2702722880 · doi:10.1109/ccece.2017.7946638

Reconfigurable self-calibrated multi-sensing RFID-based platform

2017· article· en· W2702722880 sur OpenAlexaff
Mohamed Zgaren, Abbes Amira, Mohamad Sawan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueRFID technology advancements
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesnon disponible
Mots-clésInterfacingComputer scienceTroubleshootingPressure sensorWireless sensor networkEmbedded systemElectronicsElectro-optical sensorISM bandSensor nodeIntegrated circuitComputer hardwareElectrical engineeringElectronic engineeringWirelessEngineeringKey distribution in wireless sensor networksWireless networkTelecommunications

Résumé

récupéré en direct d'OpenAlex

This paper concerns an RFID tag platform using an integrated temperature sensor and external pressure sensor targeted for the Electronics Product Code (EPC) Gen-2 standard operating in the 902-928 MHz ISM band. The developed system is part of a low-cost wireless sensors network node. This work demonstrates the study, development, and troubleshooting of battery-assisted sensing platform compliant to the RFID standard electronic product code Gen-2. Two main scenarios are tested to connect the sensors; passive and semi-passive tags. The two architectures allow collecting data based on either the RFID reader command or a signal processing program to save the sensing data using the integrated circuit memory. Temperature and pressure measurements are performed based on the integrated and external sensors combined in the RFID circuit board. Besides the fully integrated temperature sensor with a sensing precision of 0.5 C over the target temperature range, external pressure sensor is connected to provide a flexible way for additional sensors interfacing. Sensor are connected to a single system as the design is intended for a reconfigurable self-calibrated multi-sensing platform. The proposed sensing tags are fully verified through measurements.

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: Empirique
Score de désaccord entre enseignants0,447
Score d'incertitude au seuil0,652

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,250
Écart entre enseignants0,223 · 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRFID technology advancementsTravaux en français237 207