A Decentralized Fuzzy Rule-Based Approach for Computing Topological Relations between Spatial Dynamic Continuous Phenomena with Vague Boundaries Using Sensor Data
Notice bibliographique
Résumé
Sensor networks (SN) are increasingly used for the observation and monitoring of spatiotemporal phenomena and their dynamics such as pollution, noise and forest fires. In multisensory systems, a sensor node may be equipped with different sensing units to observe and detect several spatiotemporal phenomena at the same time. Simultaneous detection of different phenomena can be used to infer their spatial interactions over space and time. For this purpose, decentralized spatial computing approaches have shown their potential for effective reasoning on spatial phenomena within a sensor network. However, in most cases, spatial extents of continuous dynamic phenomena are uncertain, and their relations and interactions cannot be inferred by the existing approaches at the sensor node level. To address this limitation, in this paper, we propose and develop a decentralized fuzzy rule-based spatial reasoning approach to depict the spatial relations that hold between two evolving spatial phenomena with fuzzy boundaries. The proposed method benefits from a more adapted fuzzy-crisp representation of dynamic phenomena observed by SN where each vague phenomenon is composed of five distinguished zones including the kernel, conjecture and exterior zone and their boundaries. For each detected phenomenon, a sensor node will report one of these zones based on its location. Aggregation of the information reported from the sensor nodes allows reasoning on spatial relations between the observed phenomena and their evolution. Such spatial information provides users with more valuable near real-time information on the state of different phenomena that can be used for informed decision-making.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 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 ».