MétaCan
Menu
Retour à la cohorte
Enregistrement W4294956262 · doi:10.3390/app12178870

Towards Enabling Fault Tolerance and Reliable Green Communications in Next-Generation Wireless Systems

2022· article· en· W4294956262 sur OpenAlexfundno aff
Rajkumar Singh Rathore, Omprakash Kaiwartya, Kashif Naseer Qureshi, Ibrahim Tariq Javed, Wamda Nagmeldin, Abdelzahir Abdelmaboud, Noël Crespi

Notice bibliographique

RevueApplied Sciences · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Harvesting in Wireless Networks
Établissements canadiensnon disponible
Organismes subventionnairesTrent UniversityNottingham Trent University
Mots-clésComputer scienceWirelessBase stationFault toleranceWireless sensor networkNode (physics)Distributed computingReal-time computingComputer networkEngineeringTelecommunications

Résumé

récupéré en direct d'OpenAlex

Green communications have witnessed significant attention being paid to the next generation of wireless systems research and development. This is due to growing use of sensor- and battery-oriented smart wireless devices. The related literature in green communications for next-generation wireless systems majorly relies on transmission and sensing power management, but lacks a fault-tolerant centric approach. In this context, this paper presents a fault-tolerant and reliable green communications framework for next-generation wireless systems (FRGNWS). Firstly, maximum node-disjoint routes from all source nodes to the base station are identified based on the hybrid adapted grey wolf sine cosine optimizer. Secondly, a fault-tolerant and reliable route is selected from the maximum disjoint routes for each sensor node to the base station based on the hybrid adapted grey wolf whale optimizer. The performance of our proposed green communications framework is assessed by simulation experiments considering a realistic implementation scenario and different metrics. Simulation results clearly validate the efficacy of the proposed green communications framework as compared to the state-of-the-art techniques.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,055
Tête enseignante GPT0,250
Écart entre enseignants0,195 · 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'étudeSimulation ou modélisation
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

Citations14
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetEnergy Harvesting in Wireless NetworksTravaux en français237 207