Fugu-MT 論文翻訳(概要): Monitoring Efficiency of IoT Wireless Charging

論文の概要: Monitoring Efficiency of IoT Wireless Charging

arxiv url: http://arxiv.org/abs/2303.05629v1
Date: Fri, 10 Mar 2023 00:15:08 GMT
ステータス: 処理完了
システム内更新日: 2023-03-13 16:34:26.775733
Title: Monitoring Efficiency of IoT Wireless Charging
Title（参考訳）: IoTワイヤレス充電のモニタリング効率
Authors: Pengwei Yang, Amani Abusafia, Abdallah Lakhdari, and Athman Bouguettaya
Abstract要約: 本稿では,実際の受信エネルギーを予測するためのエネルギー推定フレームワークを提案する。我々のフレームワークは、受信したエネルギーを推定するために、XGBoostとNeural Networkという2つの機械学習アルゴリズムを使用している。
参考スコア（独自算出の注目度）: 0.39373541926236766
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Crowdsourcing wireless energy is a novel and convenient solution to charge nearby IoT devices. Several applications have been proposed to enable peer-to-peer wireless energy charging. However, none of them considered the energy efficiency of the wireless transfer of energy. In this paper, we propose an energy estimation framework that predicts the actual received energy. Our framework uses two machine learning algorithms, namely XGBoost and Neural Network, to estimate the received energy. The result shows that the Neural Network model is better than XGBoost at predicting the received energy. We train and evaluate our models by collecting a real wireless energy dataset.
Abstract（参考訳）: ワイヤレスエネルギーのクラウドソーシングは、近くのIoTデバイスを充電するための、新しくて便利なソリューションだ。ピアツーピア無線エネルギー充電を可能にするいくつかの応用が提案されている。しかし、いずれもエネルギーのワイヤレス転送のエネルギー効率を考慮しなかった。本稿では,実際の受信エネルギーを予測するためのエネルギー推定フレームワークを提案する。このフレームワークは2つの機械学習アルゴリズム、すなわちxgboostとニューラルネットワークを用いて受信エネルギーを推定する。その結果、ニューラルネットワークモデルは、受信したエネルギーを予測するのにXGBoostより優れていることがわかった。我々は、実際の無線エネルギーデータセットを収集してモデルを訓練し、評価する。

関連論文リスト

Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文参考訳（メタデータ） (2023-08-08T04:52:19Z)
Sustainable Edge Intelligence Through Energy-Aware Early Exiting [0.726437825413781]
EHエッジインテリジェンスシステムにおいて,エネルギー適応型動的早期退避を提案する。提案手法は, サンプルごとの最適計算量を決定する, エネルギー対応のEEポリシーを導出する。その結果, エネルギーに依存しない政策と比較して, 精度は25%, サービスレートは35%向上した。
論文参考訳（メタデータ） (2023-05-23T14:17:44Z)
Energy Loss Prediction in IoT Energy Services [0.43012765978447565]
クラウドソース型エネルギーサービスを共有する際のエネルギー損失を推定する新しいエネルギー損失予測フレームワークを提案する。我々は,IoTデバイスのバッテリレベルを予測する新しいアテンションベースのアルゴリズムであるEaseformerを提案する。提案手法の有効性と有効性を示すための一連の実験を行った。
論文参考訳（メタデータ） (2023-05-16T09:07:08Z)
Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文参考訳（メタデータ） (2021-10-04T19:41:42Z)
Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文参考訳（メタデータ） (2021-09-17T08:55:48Z)
Design and Comparison of Reward Functions in Reinforcement Learning for Energy Management of Sensor Nodes [0.0]
IoT(Internet-of-Things)パラダイムの最近の進歩により、リモート監視への関心が高まっている。センサノードと呼ばれる小さなデバイスを使って、環境からデータを収集して処理できる新しいアプリケーションが登場した。バッテリー技術は、これらの増大するニーズに対応するのに十分な速さで改善されていない。従来のエネルギー源を補完するために、小型のエネルギー収穫装置が出現している。
論文参考訳（メタデータ） (2021-06-02T12:23:47Z)
Learning to Optimize Energy Efficiency in Energy Harvesting Wireless Sensor Networks [11.075698140595113]
エネルギー源から複数のエネルギー収穫ノードへの無線電力伝送について検討する。本研究では,エネルギー効率を最大化するエネルギー源の最適送信電力を学習する高信頼バウンドベースアルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-30T15:51:39Z)
Learning to Charge RF-Energy Harvesting Devices in WiFi Networks [0.0]
我々は,APが送電電力制御により収穫エネルギーを管理できる2つのソリューションを提案する。第1のソリューションはディープQネットワーク(DQN)を使用し、第2のソリューションはモデル予測制御(MPC)を使用してAPの送信電力を制御する。我々のDQNおよびMPCソリューションは、競合するアルゴリズムと比較してエネルギー効率とユーザの満足度を16%から35%、10%から42%改善することを示した。
論文参考訳（メタデータ） (2020-05-25T10:55:24Z)
Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文参考訳（メタデータ） (2020-02-20T04:58:07Z)
Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
論文参考訳（メタデータ） (2020-02-17T07:54:39Z)
NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文参考訳（メタデータ） (2020-01-22T00:51:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。