Enhancing Barrier Coverage in Surveillance Applications Through Hybrid Directional Sensor Networks
Notice bibliographique
Résumé
Directional sensor networks (DSNs) have possibility to provide more precise surveillance than conventional omni-directional sensor networks since the captured data can be of a visual nature.Therefore, the coverage problem in DSNs is completely different from that of traditional scalar sensors.Barrier coverage is a specific type of coverage that is emerged in DSNs to ensure a high-level monitoring application.In this paper, we focus on solving the barrier coverage problem in hybrid DSNs using stationary and mobile directional sensors.Our aim is to ensure a high barrier coverage specially developed for surveillance applications by proposing two approaches.In the first one, we implement a distributed algorithm based on a geometric mathematical model to calculate the new orientation of directional sensors to maximize barrier coverage.The purpose of using a geometric mathematical model is to compute, after a random deployment, the most appropriate angle of rotation for each directional sensor so that the novel DSN configuration ensures a high level of intrusion detection across the barrier.In the second one, we enhance the first approach by extending its algorithm to further improve barrier coverage using mobile directional sensors deployed far from the barrier.This solution allows us to achieve a strong barrier coverage with a minimum number of active directional sensors.Extensive simulation experiments with different scenarios are conducted to show the effectiveness of the proposed algorithms in hybrid DSNs, such as those varying the number of stationary and mobile directional sensors with different angles of view.
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 | 0,001 |
| 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 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 ».