An Energy-Efficient Dual Prediction Scheme Using LMS Filter and LSTM in Wireless Sensor Networks for Environment Monitoring
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
Environmental monitoring is a practical application where a wireless sensor network (WSN) may be utilized effectively. However, the energy consumption issues have become a major concern in using a WSN, particularly in remote locations without readily accessible electrical power supply. In general, the activities of data transmission among sensor nodes and the gateway (GW) can be a significant fraction of the total energy consumption within a WSN. Hence, reducing the number and the duration of transmissions as much as possible while maintaining a high level of data accuracy can be an effective strategy for saving energy. To achieve this objective, a least mean square (LMS) filter is used for a dual prediction scheme (DPS), in this paper. The DPS is data quality-based, allowing both the sensor nodes and the GW to predict the data simultaneously. Only when the error between the predicted data and the real sensed data exceeds a predefined threshold, the sensor nodes will send the sensed data to the GW/another node and consequently will update the coefficients of the filter. It is observed that, with this scheme, the total number of transmissions and their overall duration can be effectively reduced, and therefore, further energy savings can be realized. With the developed methodologies, at least 62.3% of the total energy for data transmission could be saved while achieving a 93.1% prediction 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.
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 | 0,001 | 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