Machine-Learning-Assisted Transmission Power Control for LoRaWAN Considering Environments With High Signal- to -Noise Variation
Notice bibliographique
Résumé
To achieve an adequate tradeoff between range and energy efficiency, LoRaWAN End Nodes (ENs) choose their transmission parameters using an Adaptive Data Rate (ADR) scheme based on the maximum value of previous Signal-to-Noise (SNR) values. However, the ADR only performs well in favorable channel conditions. In fact, if theSNRexhibits high variability, these parameters could be inefficiently set and may negatively affect the Packet Delivery Rate (PDR). Therefore, a link margin could be overestimated to improve the PDR by the ADR algorithm, which may, however, waste the EN’s energy. This paper proposes a novel ADR that does not rely on the pastSNRvalues. Still, our proposed design directly predicts the currentSNRand transmission parameters using Machine Learning. Specifically, the underlying Machine Learning models were trained using in-field measurements for six months in Medellín, Colombia, including different environmental variables and their effects on theSNR. Our ADR scheme improved energy consumption by 47.1% with a PDR of 99% and reduced collisions in dense networks up to 9.5% compared with the ADR scheme. Furthermore, we show that our proposed design outperforms some enhanced versions of the ADR scheme proposed in the literature in both energy consumption and collision rate. Finally, our proposed framework enables simple implementation since it runs directly in the ENs, improving the response time compared with the traditional ADR scheme.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».