Classification and Challenges of Cyber-Physical Systems Projects
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
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.
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 | 0,003 |
| 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