.png){kind=icon}
返回
Machine learning driven aggregation aware bitmap MAC protocol for energy efficient data transmission in WSNs
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-20835-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对无线传感器网络和物联网中的高效数据传输，提出了一种聚合感知的能量高效位映射介质访问控制协议（AABMP）。该方法的主要目标是有效地以节能方式管理从传感器节点到簇头的数传。AABMP通过估算先前几个样本滑动窗口的平均值来聚合数据，并计算当前读数相对于平均值的偏差。提出了基于偏差感知的方法进行传感器节点到簇头节点的传输决策。针对实时数据集，使用各种机器学习方法预测偏差。根据性能评估，将最有效的机器学习方法以节能方式集成到位映射MAC协议中。聚合感知的机器学习方法通过有效识别冗余数据来减少传输数据包的数量。该方法使用Intel LAB数据集（https://db.csail.mit.edu/labdata/labdata.html）（包含55个真实传感器节点）进行评估。该方法展示了在面向物联网的WSN部署中实现节能数据传输的实用应用性。为进行高效分析，基于传输概率估计精确的传输数据包数量。提出了用于估计传输概率的算法。为进行性能分析，我们比较了多种机器学习方法以确定最合适的方法。然后将此最优方法与基于位映射的节能 piggybacking 方案集成。AABMP还与现有的MAC协议进行了比较。结果表明，在最佳和最差场景下，其在节能方面均表现出优越性。
Keyword:
Medium access control
Aggregation aware data transmission
Quality of service
Bit mapping
Transmission probability
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
分享收藏Optimized Power Control for Privacy-Preserving Over-the-Air Federated Edge Learning With Device Sampling优化的功率控制，用于通过设备采样保护隐私的空中联合边缘学习
PREAI
分享收藏RepMobile: A MobileNet-Like Network With Structural Reparameterization for Sensor-Based Human Activity Recognition.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏SepAl: Sepsis Alerts on Low-Power Wearables With Digital Biomarkers and On-Device Tiny Machine LearningIEEE SENSORS JOURNALOAAI
IEEE SENSORS JOURNALIF4.5
OAAI分享收藏An Incremental Time-Domain Mixed-Signal Matrix-Vector-Multiplication Technique for Low-Power Edge-AIOAAI
OAAI分享收藏Machine learning based adaptive traffic prediction and control using edge impulse platform基于机器学习的自适应交通预测与控制：使用Edge Impulse平台SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏An Emergency Communication Architecture Based on Ethernet and WSN for Coal Mines基于以太网和WSN的煤矿应急通信架构
OAAI
OAAI分享收藏
查看更多内容