Avaliação da propagação do sinal LoRa e desenvolvimento de um método para auxiliar o planejamento de redes IoT usando otimização do modelo de Hata
Notice bibliographique
Résumé
According to the Internet of Things (IoT) paradigm, the demand for communication between devices has been growing steadily. Various communication patterns have emerged and today compete with each other for application niches. Among these standards are the wide-ranging and low-power networks (LPWANs), which have continuously aroused the interest of the information technology and telecommunications (ICT) industry. In particular, LoRa® communication technology has been gaining constant prominence, especially in applications associated with smart grids. However, the initiatives are still incipient. Considering this scenario, this work has as one of its objectives to evaluate some scenarios of propagation of the LoRa signal and based on measurements collected in the field, to use these values to feed an adapted model of propagation. This model employs the Hata technique as the basis and can be used as an information source for the planning of IoT networks in scenarios applicable to smart grids. In addition, some QoS parameters are also evaluated to characterize the physical layer behavior of the LoRa signal. Even in different scenarios, the results showed that urban cells with an approximate radius of 2 km in unlicensed band (~915 MHz) typically achieve typical packet delivery rates ranging from 75% to 100%. Based on the models produced here and in association with results found in other studies, it is estimated that LoRa technology is a strong candidate for the provision of communication infrastructure for some smart grids services and that the graphic propagation models produced here can corroborate IoT network planning activities.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».