Proactive Doppler Shift Compensation in Vehicular Cyber-Physical Systems
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 vehicular cyber-physical systems (CPS), safety information, including vehicular speed and location information, is shared among vehicles via wireless waves at specific frequency. This helps control vehicle to alleviate traffic congestion and road accidents. However, Doppler shift existing between vehicles with high relative speed causes an apparent frequency shift for the received wireless wave, which consequently decreases the reliability of the recovered safety information and jeopardizes the safety of vehicular CPS. Passive confrontation of Doppler shift at the receiver side is not applicable due to multiple Doppler shifts at each receiver. In this paper, we provide a proactive Doppler shift compensation algorithm based on the probabilistic graphical model. Each vehicle pre-compensates its carrier frequency individually, so that there is no frequency shift from the desired carrier frequency between each pair of transceiver. The pre-compensated offset for each vehicle is computed in a distributed fashion in order to be adaptive to the distributed and dynamic topology of vehicular CPS. Besides, the updating procedure is designed in a broadcasting fashion to reduce communication burden. It is rigorously proved that the proposed algorithm is convergence guaranteed even for systems with packet drops and random communication delays. Simulations based on real map and transportation data verify the accuracy and convergence property of the proposed algorithm. It is shown that this method achieves almost the optimal frequency compensation accuracy with an error approaching the Cramér-Rao lower bound.
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 | 0,001 |
| 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 | 0,001 |
| 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