Optimization of a sensor network by cooperative MIMO techniques (Possible applications : Smart Grid, Remote Sensing)
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Dans les réseaux de capteurs, la réduction de la consommation d'énergie représente une contrainte très forte. L'enjeu de cette thèse est d'étudier l'application des nouvelles techniques MIMO dans le contexte de coopération pour les réseaux de capteurs afin de réduire la consommation d'énergie. Ces techniques sont basées sur les précodeurs max-dmin et P-OSM qui nécessitent la connaissance du canal à l'émission (Channel State Information ou CSI). Afin de rendre l'utilisation de la CSI réaliste, nous avons quantifié l'information de retour de ces précodeurs avec comme objectif de réduire l'information envoyée vers l'émetteur. Nous avons exploité certaines techniques de la littérature et proposé d'autres pour effectuer cette quantification. Plusieurs schémas coopératifs sont alors proposés pour la mise en place des précodeurs max-dmin et P-OSM avec un canal de retour quantifié. Les performances des systèmes proposés en termes de consommation d'énergie sont évaluées en les comparant avec le système coopératif de la littérature basé sur des codes spatio-temporels et en présence d'une erreur de synchronisation entre les capteurs. Nous nous sommes ensuite intéressés à l'application des réseaux de capteurs dans les postes électriques haute tension (HT) dans le contexte du Smart-Grid. L'objectif est d'évaluer les performances des systèmes proposés en présence de bruit impulsionnel et dans un environnement réel d'un poste HT ay Québec. En utilisant une série de mesures de ce bruit effectuée par l'Ecole de technologie supérieure de Montréal, nous déterminons un modèle statistique du bruit impulsionnel. Nous proposons une extension de ce modèle afin d'utiliser des systèmes multi-antennaires.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it