Classification and Challenges of Cyber-Physical Systems Projects
Notice bibliographique
Résumé
Advanced technologies like Cyber-Physical Systems (CPS) are poised to provide valuable opportunities to support smart interactions between the physical world (machines, people and environments) and the cyber worlds.They provide smart capabilities to enhance the physical world.These include improving reliability, quality, safety, health, security, efficiency, operational costs, and maintenance of physical systems or environments.CPS are designed using distributed hardware, software, and network components embedded in physical systems or attached to humans.Many CPS applications are being developed, implemented, and deployed by several organizations for several purposes.However, the development of most of these applications is extremely difficult because this involves different components and has hard requirements.These hard requirements make managing cyber-physical system projects challenging and very difficult.Project managers need to understand the challenges of different CPS to be able to successfully plan, complete, and deliver their projects with less difficulty.As CPS applications can have a wide range of usage and properties, it is necessary to identify common grounds among different types of these applications.Therefore, in this paper we provide a classification for these projects based on the type of network they use.We identify five categories: Nanoscale CPS (NCPS), Body Area CPS (BCPS), Local Area CPS (LCPS), Mobile Ad Hoc CPS (MCPS), and Wide Area CPS (WCPS).This classification offers a better way for project managers to understand the common complexities and possible solution directions for each category.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».