Energy-Efficient IoT Network Routing Model Based on Multi-Layer Clustering and Deep Learning
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
The increasing numbers of sensors or actuators in the Internet of Things (IoT) networks make it essential to develop smart routing solutions whose goals are to extend the network's lifetime and keep reliable communication.In this paper, we present a new hybrid routing model based on multi-layer hierarchical clustering with the hybrid Convolutional Neural Network-Gated Recurrent Unit (CNN-GRU) model to find the most reasonable routing paths in a dynamic IoT environment.The CNN-GRU model utilizes a sequential sliding window of historical node attributes residual energy, hop count, and data rate for predicting the best energy-efficient next-hop node as closely as possible in pipeline.This predictability allows the protocol to rely less on static heuristics, and to adapt its behavior to varying network conditions.Observations from experiments also illustrate that our model achieves superior performance over other baseline protocols in terms of network lifetime of 134 rounds the first node death (FND) following 202 rounds the half-node death (HND), energy consumption of 0.041 J/round, packet delivery ratio of 96.8%, end-to-end delay of 244 ms, and the routing overhead of 28cp/round.These findings demonstrate that the proposed Multi-Layer Clustering with CNN-GRU model can enhance the energy efficiency, reliability, and scalability of IoT networks.
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 | 0,001 | 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 | 0,003 | 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 découle