AoI-Aware Co-Design of Cooperative Transmission and State Estimation for Marine IoT Systems
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 smart ocean, unmanned surface vehicles (USVs) are deployed to monitor the marine environment in a coordinated manner. The ubiquitous situation awareness of marine environment can be achieved by state estimation with the sensory data collected by USVs. Therefore, the transmission performance in terms of packet loss and delay of sensory data plays an important role in the state estimation of marine IoT systems. However, it is challenging to achieve the high-reliable and low-latency transmission for sensory data due to the path loss, spectrum scarcity and transmit power limitation. In this article, we introduce the Age of Information (AoI) to mathematically characterize the impacts of packet loss and transmission delay on the state estimation error. We first explore the relationship between the state estimation error and the AoI of sensory data. We then investigate the co-design of state estimation and sensory data transmission for marine IoT systems. Specifically, a mother ship (MS)-assisted cooperative transmission scheme is proposed to mitigate the impact of limited resources and path loss on the estimation performance. Then, the MS location, channel allocation, and transmit power are jointly optimized to minimize the mean-square error of state estimation, which is achieved by formulating a constrained minimization problem and solving it with the decomposition method. Simulation results demonstrate that the proposed scheme has superiorities in reducing the estimation error and the power consumption.
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 | 0,001 |
| 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