MétaCan
Menu
Retour à la cohorte
Enregistrement W4408622258 · doi:10.3390/jsan14020032

Robust Distributed Collaborative Beamforming for WSANs in Dual-Hop Scattered Environments with Nominally Rectangular Layouts

2025· article· en· W4408622258 sur OpenAlexaff
Oussama Ben Smida, Sofiène Affes, Dushantha Nalin K. Jayakody, Yoosuf Nizam

Notice bibliographique

RevueJournal of Sensor and Actuator Networks · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensInstitut National de la Recherche ScientifiqueUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésBeamformingComputer scienceHop (telecommunications)Dual (grammatical number)Telecommunications

Résumé

récupéré en direct d'OpenAlex

We introduce a robust distributed collaborative beamforming (RDCB) approach for addressing channel estimation challenges in dual-hop transmissions within wireless sensor and actuator networks (WSANs) of K nodes. WSANs enhance wireless communication by reducing data transmission, latency, and energy consumption while optimizing network load through integrated sensing and actuation. The source S transmits signals to the WSAN, where nodes relay them to the destination D using beamforming weights to minimize noise and preserve signal integrity. These weights depend on channel state information (CSI), where estimation errors degrade performance. We develop RDCB solutions for three first-hop propagation scenarios—monochromatic [line-of-sight (LoS)] or “M”, bichromatic (moderately scattered) or “B”, and polychromatic (highly scattered) or “P”—while assuming a monochromatic LoS or “M” link for the second hop between the nodes and the far-field destination. Termed MM-RDCB, BM-RDCB, and PM-RDCB, respectively (“X” and “Y” in XY-RDCB—for X ∈{M,B,P} and Y ∈{M}—refer to the chromatic natures of the first- and second-hop channels, respectively, to which a specific RDCB solution is tailored), these solutions leverage asymptotic approximations for large K values and the nodes’ geometric symmetries. Our distributed solutions allow local weight computation, enhancing spectral and power efficiency. Simulation results show significant improvements in the signal-to-noise ratio (SNR) and robustness versus WSAN node placement errors, making the solutions well suited for emerging 5G and future 5G+/6G and Internet of Things (IoT) applications for different challenging environments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,192
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Sensor and Actuator NetworksMême sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207