<scp>LoRa</scp> Meets Artificial Intelligence to Optimize Indoor Networks for Static <scp>EDs</scp>
Notice bibliographique
Résumé
ABSTRACT The architectural design of the Indoor Internet of Things (IIoT) network targeting static end devices (EDs) and gateways (GWs) has been innovatively formulated in this paper, integrating LoRa technology to mitigate losses and ensure seamless information reception through meticulous ED allocation. The arrangement of simultaneously transmitted data within the network server (NS) employs a deep neural network (DNN) with distributed machine learning (DML) to adjust transmission parameters, ensuring frequent uninterrupted bidirectional communication. This augmentation is obtained by strategically deploying EDs within distinct clusters determined by K‐means and density‐based spatial clustering with noise (DBSCAN), thus optimizing spreading factor (SF) and data rate (DR) allocation to prevent data congestion and improve signal‐to‐interference noise ratio (SINR). The proposed hybrid model (DR|SF) for pure and slotted ALOHA amplifies the network's performance metrics for indoor scenarios. A unified framework utilizing a one‐slope model estimates path losses (PL) while exploring various bandwidths (BW), bidirectional interrogations, and duty cycles (DC) to lower the saturation and prolong the active lifespan of the EDs. The results manifest a packet rejection rate (PRR) of 0% for the DBSCAN, contrasting a 4.7% estimate for the K‐means. The network saturation is minimized to 9.5% and 10.1%, correspondingly, significantly increasing the efficiency of slotted ALOHA (91%) and pure ALOHA (90.6%), thereby prolonging the longevity of EDs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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) | 0,002 | 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 ».