Machine-Learning-Assisted Transmission Power Control for LoRaWAN Considering Environments With High Signal- to -Noise Variation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 ( <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">SNR</i> ) values. However, the ADR only performs well in favorable channel conditions. In fact, if the <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">SNR</i> exhibits 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 past <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">SNR</i> values. Still, our proposed design directly predicts the current <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">SNR</i> and 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 the <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">SNR</i> . 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.
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 | 0,000 |
| 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 découle