MétaCan
Menu
Retour à la cohorte
Enregistrement W3035644016 · doi:10.1109/mcom.001.2000009

Aqua-Fi: Delivering Internet Underwater Using Wireless Optical Networks

2020· article· en· W3035644016 sur OpenAlexfundno aff
Basem Shihada, Osama Amin, Christopher Bainbridge, Seifallah Jardak, Omar Alkhazragi, Tien Khee Ng, Boon S. Ooi, Michael L. Berumen, Mohamed‐Slim Alouini

Notice bibliographique

RevueIEEE Communications Magazine · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueOptical Wireless Communication Technologies
Établissements canadiensnon disponible
Organismes subventionnairesDivision of Mathematical SciencesRed Sea Research Center, King Abdullah University of Science and TechnologyAssiut UniversityKing Abdulaziz City for Science and TechnologyUniversity of WaterlooKing Abdullah University of Science and TechnologyKing Fahd University of Petroleum and MineralsNanyang Technological UniversityUniversity of BristolUniversity of Glasgow
Mots-clésComputer scienceThe InternetWirelessUnderwaterOptical wirelessComputer networkTelecommunicationsUnderwater acoustic communicationTransmission (telecommunications)Optical communicationElectronic engineeringEngineeringWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

In this article, we demonstrate bringing the Internet to underwater environments by deploying a low power and compact underwater optical wireless system, called Aqua-Fi, to support today's Internet applications. Aqua-Fi uses an LED or laser to support bidirectional wide-range communication services with different requirements, low cost, and simple implementation. LEDs introduce robust short distance solutions with low power requirements. However, laser extends the communication distance and improves the transmission rate at the cost of higher power requirements. Throughout this work, we discuss the proposed Aqua-Fi system architecture, limitations, and solutions to improve data rates and deliver reliable communication links.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,265
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations59
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Communications MagazineMême sujetOptical Wireless Communication TechnologiesTravaux en français237 207