On Connectivity of UAV-Assisted Data Acquisition for Underwater Internet of Things
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
Underwater exploration activities have grown significantly due to the proliferation of underwater Internet of Things (UIoT). However, to transmit sensor data from UIoT to remote onshore data processing center requires a huge cost of deploying and maintaining communication infrastructures. In this article, we propose an unmanned aerial vehicles (UAVs)-assisted underwater data acquisition scheme by placing multiple sink nodes on the water surface to serve as intermediate relays between underwater sensors (IoT nodes) and UAVs. In our scheme, the sensor data are first transmitted via an acoustic-signal link to a buoyant sink node, which then forwards the data to a UAV via an electromagnetic link. In particular, we adopt two sink-node-deployment methods, i.e., grid placement and random placement of sink nodes. Since the path connectivity from an underwater sensor node to the UAV is crucial to guarantee reliable data acquisition tasks, we establish a theoretical framework to analyze the path connectivity via the intermediate sink node for both grid and random sink-node-deployment methods. Extensive simulation results validate the accuracy of the proposed analytical model. Moreover, our results also reveal the relationship between the path connectivity and other factors, such as sink node placements, antenna beamwidth of UAVs, and wind speed. We also further extend our UAV-assisted data acquisition to other scenarios with the consideration of trajectories of UAVs, movements of sink nodes, interference of both underwater acoustic and terrestrial radio links, and integration with edge computing.
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 | 0,001 |
| Science ouverte | 0,001 | 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