An AUV-Assisted Data Collection Approach for UASNs Based on Hybrid Clustering and Matrix Completion
Notice bibliographique
Résumé
Underwater Acoustic Sensor Networks (UASNs) have emerged as pivotal contributors to various domains. Never-theless, UASNs grapple with intrinsic challenges, notably propa-gation delays, heightened energy consumption, and inconsistent transmissions, which cumulatively impair the fidelity of under-water communication. Given these challenges, the exigency for a mechanism that assures both energy efficiency and reliable data collection becomes paramount. In this paper, we propose a data acquisition framework with the support of Autonomous Underwater Vehicles (AUVs), utilizing the Hybrid Clustering and Matrix Completion (AHMC) methodology, aiming to enhance the efficiency of data collection in UASNs. Initially, our approach har-nesses a novel hybrid clustering strategy, melding the virtues of the fuzzy c mean (FCM) algorithm with the Firefly Optimization Method (FA) to bolster network performance. The core strategy delineates the formation of energy-optimized clusters through FCM, post which the Elbow method ascertains the optimal K-value. Successively, the FA algorithm becomes instrumental in pinpointing the most suitable cluster head (CH) for each cluster. Furthermore, we introduce an ant colony algorithm tailored for the UASN s, encapsulating factors like energy, transmission latency, and the comprehensive trajectory span of AUV s during their operational phase. This strategic inclusion refines the pheromone update model, seamlessly amalgamating multifaceted elements to chart an optimally efficient AUV pathway. To cul-minate, the intra-cluster data aggregation is honed via a matrix completion methodology. Simulation results attest to the superior performance of our AHMC paradigm, showcasing commendable metrics in energy efficiency, latency, and network lifetime.
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 | 0,000 |
| 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 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 ».