Mobility and Location-Aware Stable Clustering Scheme for UAV Networks
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 Unmanned Aerial Vehicle (UAV) networks, mobility of the UAV and the corresponding network dynamics cause frequent network adaptation. One key challenge caused by this in Flying Ad-hoc Network (FANET) is how to maintain the link stability such that both the packet loss rate and network latency can be reduced. Clustering of UAVs could effectively improve the performance of large-scale UAV swarm. However, the use of conventional clustering schemes in dynamic and high mobility FANET will lead to more link outages. Besides, frequent updates of cluster structure would cause the instability of network topology and the increase of control overhead and latency. To solve this problem, we propose a location-based $k$ -means UAV clustering algorithms by incorporating the mobility and relative location of the UAVs to enhance the performance and reliability of the UAV network with limited resource. The objective of the proposed Mobility and Location-aware Stable Clustering (MLSC) mechanism is to enhance the stability and accuracy of the network by reducing unnecessary overheads and network latency through incorporating several design factors with minimum resource constraints. Furthermore, we derive the relationship between the maximum coverage probability of Cluster Head (CH) and cluster size to find the optimal cluster size to minimize the network overhead. Our simulation results show that the proposed MLSC scheme significantly reduces the network overheads, and also improves packet delivery ratio and network latency as compared to the conventional clustering methods.
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 | 0,000 |
| 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