MétaCan
Menu
Retour à la cohorte
Enregistrement W2913749846 · doi:10.1109/giis.2018.8635746

Energy Consumption and Proximity Accuracy of BLE Beacons for Internet of Things Applications

2018· article· en· W2913749846 sur OpenAlexaff
Andrew Mackey, Petros Spachos

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésBeaconComputer scienceBluetooth Low EnergyScalabilityEnergy consumptionKalman filterReal-time computingBluetoothThe InternetEmbedded systemTelecommunicationsArtificial intelligenceWirelessEngineeringElectrical engineeringWorld Wide WebDatabase

Résumé

récupéré en direct d'OpenAlex

In the Internet of Things (IoT) era, with millions of connected devices to the internet, indoor location services regarding room discovery and resource identification/tracking are among the most popular applications for smart homes and smart buildings. Bluetooth Low Energy (BLE) beacons are a promising solution to improve the scalability and accuracy of indoor localization applications. They are low cost, configurable, small transmitters designed to attract attention to a specific location. In this paper, we investigate three popular BLE beacon devices available on the market and compare them in terms of energy consumption and proximity accuracy for indoor localization services. In addition, two state-estimation filters are developed for the Android mobile platform in order to improve the proximity accuracy when using smartphone devices. Specifically, a static Kalman filter and Gaussian filter are implemented.

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 enseignants0,961
Score d'incertitude au seuil0,164

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 Opus0,014
Tête enseignante GPT0,241
Écart entre enseignants0,227 · 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

Citations8
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207