Energy-Aware Routing and Data Transmission in Underwater Wireless Sensor Networks via Optimized Progressive Feedback Cascaded Visual Cosine CNN
Notice bibliographique
Résumé
Underwater Wireless Sensor Networks (UWSNs) facilitate communication between deep-sea sensor nodes and surface sinks, which is essential for marine research, environmental monitoring, and surveillance. However, efficient and reliable communication is challenged by harsh underwater environments and limited resources. UWSNs suffer from high energy consumption, unstable links, and reduced transmission accuracy due to limited bandwidth, node mobility, and acoustic channel impairments. Traditional routing and transmission techniques often fail to strike a balance between energy efficiency and reliability, creating a strong need for intelligent, adaptive, and robust optimization methods. This paper proposes a novel energy-efficient framework that integrates the Fishier Mantis Optimization Algorithm (FMOA) for routing, the Progressive Feedback Cascaded Visual Cosine Convolutional Neural Network (PFCVCCNN) for data transmission, and the Sharpbelly Fish Optimization (SFO) for parameter fine-tuning. Simulation results show that the proposed framework achieves lower EC (2.5 J), higher PDR (94%), reduced PLR (6%), and superior TA (99.12%) compared to existing protocols. The integration of FMOA, PFCVCCNN, and SFO provides a scalable, adaptive, and reliable solution for energy-efficient communication in UWSNs, significantly enhancing network lifetime and data delivery performance under challenging underwater conditions.
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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».