Cognitive Neighbor Discovery With Directional Antennas in Self-Organizing IoT Networks
Notice bibliographique
Résumé
This article investigates the problem of synchronous randomized neighbor discovery with directional antennas. Due to the long tail effect, it will take long time to discover the last few neighbors, which increases overall neighbor discovery time. This effect is due to small proportion of remaining undiscovered neighbors. Moreover, improper choices of reception probabilities make the discovery even worse. In this article, a cognitive framework is proposed to minimize the expectation of neighbor discovery time. We present a scheme in which reception probabilities are dynamically adjusted. We consider an ideal scenario and a practical scenario. In an ideal scenario where perfect information about the number of neighbors is available, reception probabilities are adjusted according to the number of neighbors. A method of dynamic programming is used to recursively calculate the optimal reception probabilities. In an actual scenario where perfect information about number of neighbors is unavailable, a neighbor estimation method based on maximum-likelihood estimation is executed before probability adjustment. Simulation results show that when perfect information about neighbor is available and total transmission probability is within a proper range (between 0.1 and 0.2), the average neighbor discovery time can be significantly reduced (by 38% to 43%, respectively) compared with an existing probability-fixed scheme. With imperfect information, the scheme also works well and realizes appreciable reduction in average neighbor discovery time compared with existing self-adaptive schemes.
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 | 0,000 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».