MétaCan
Menu
Retour à la cohorte
Enregistrement W4389301022 · doi:10.33168/jsms.2022.0307

Indoor Localization in Wireless Networks Using Received Signal Strength: A Model using Bregman Distance to Increase Public Utility Benefits

2022· article· en· W4389301022 sur OpenAlexaff
Esraa Omran, Manar Jammal, Michael Bourk, Kosai Dabbour, Christo El Morr

Notice bibliographique

RevueJournal of System and Management Sciences · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésSignal strengthWirelessSIGNAL (programming language)Computer scienceWireless networkRadio signalTelecommunicationsEconometricsMathematicsRadio frequency

Résumé

récupéré en direct d'OpenAlex

This study explores and evaluates cost-effective indoor localization systems that utilize where possible existing technology and infrastructure, whereby making services available to meet broad public utility needs. As a relatively new market, indoor localization is growing rapidly through the interconnection of businesses and consumers using smartphone and other position-location technologies. This paper explores and evaluates the most affordable indoor location offerings using available technology and the model of Bregman distance to maximise public utility benefits at an affordable price for vulnerable communities. We incorporate a review of the findings from technical literature associated with indoor location technology coupled with our experiments using the Bregman distance model, which maximises the properties of received signals, to find and evaluate affordable solutions using available technology. We used the Bregman

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,450
Score d'incertitude au seuil0,412

Scores Codex et Gemma par catégorie

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

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 Opus0,031
Tête enseignante GPT0,235
Écart entre enseignants0,204 · 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 tête enseignante, 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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of System and Management SciencesMême sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207