A Robust Clustering Scheme for Vehicular Communication Networks
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
Clustering, as a technique for grouping nodes in geographical proximity together, in vehicular communication networks, is a key technique to enhance network robustness and scalability despite challenges such as mobility and routing. This paper presents a robust clustering scheme based on cluster head backup list algorithm for unmanned aerial vehicles (UAVs)-assisted vehicular communication network, where multiple UAVs act as communication base stations for a vehicular network. To tackle the high mobility issues in vehicular communications, instead of allowing direct communication between all vehicles to the UAV, clustering methods will potentially be efficient in overcoming delay limitations, excessive power consumption and resource issues. Using the clustering technique, neighboring vehicles are grouped into clusters with a specific vehicle selected as the cluster head (CH) in each cluster. The selected CH connects directly to the UAV through an infrastructure-to-vehicle (I2V) link, subsequently establishing vehicle-to-vehicle (V2V) communications with vehicles in the same cluster. To increase cluster connectivity period, the proposed clustering scheme is developed based on considering the vehicle behavior for efficient selection of CHs and providing a CH backup list to maintain the stability of the cluster structure. Numerical evaluations show that the proposed system outperforms benchmark schemes in terms of clustering stability and reliability. It is also shown that the performance of the proposed scheme is not much affected by the increase in the number of vehicles. This indicates that the proposed scheme can be efficient in dense vehicular networks where resource constraints pose significant challenges.
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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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