On Provision of Resilient Connectivity in Cognitive Unmanned Aerial Vehicles
Notice bibliographique
Résumé
Mobile ad-hoc network (MANET) can be established in the areas/scenarios where the infrastructure networks are either out of service or no more available. MANETs have a lot of applications in sensor networks. Generally, a MANET deploys mobile ground nodes to set up a network. However, there can be some severe scenarios such as flood, battlefield, rescue operations, etc. where these ground nodes cannot be deployed. In such cases, a network of unmanned aerial vehicles (UAVs) can be a more viable option. Normally, UAVs operates on IEEE L-Band, IEEE S-Band or ISM band. These bands are already overcrowded, therefore, UAVs will face the problem of the spectrum scarcity. To resolve this issue cognitive radio (CR) is a most promising technology. Hence, in this work, we focus on CR based UAVs. As CR is based on opportunistic spectrum access, therefore, it is quite possible that all UAVs do not have one single channel available to communicate with each other. They need to form clusters for their communication depending on the availability of the channel. However, channel availability is intermittent because of opportunistic spectrum access. This may result in reforming of the cluster again and again. To avoid this frequent re-clustering and to maintain connectivity among the UAVs, in this paper, we present a resilient clustering technique with a concept of introducing a backup channel for each cluster. Simulation results show the significance of the proposed technique.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».