Federated learning based energy efficient scheme for IoT devices: Wireless power transfer using RIS-assisted underlaying solar powered UAVs
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
Devices that are employed in applications related to the Internet of Things (IoT) are constrained by limited energy resources. Consequently, ensuring a continuous supply of energy while also maintaining uninterrupted connectivity within IoT units (IoTUs) is of great importance. In this particular context, we present a scheme that facilitates both, the transfer of wireless power and the transmission of information for IoTUs along with the capability of harvesting solar energy. This scheme is further supported by the utilization of unmanned aerial vehicles (UAV) and the deployment of reconfigurable intelligent surfaces (RIS) for communication purposes. To be more precise, initially, IoTUs obtain energy from the UAV through the process of wireless power transmission (WPT). Subsequently, in the second stage, the UAV retrieves data from the IoTUs using transmitting information. In order to simplify the complexity of the communication issue, we assume that a solar-powered UAV remains stationary at a predetermined altitude. Our objective is to maximize the energy efficiency (EE) of the entire network by coordinating the scheduling of IoTU energy harvesting (EH) and UAV trajectory optimization. We suggest a multi-agent federated reinforcement learning (MFRL) algorithm that maximizes EE through parameter optimization in order to achieve this goal. By utilizing the collective experiences of several agents and reducing energy usage, this algorithm also improves the overall performance of the system. The proposed technique achieves 96.3% and 97.5% accuracy in communication rounds and RIS elements, with a 9 − 33 % increase in EE compared to the best-performing benchmark scheme. The suggested approach outperforms the benchmark algorithms in terms of EE, trajectory optimization, and learning accuracy, according to simulation findings.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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