?
Платформа туманных вычислений на основе беспроводных сенсорных сетей
Качество. Инновации. Образование. 2014. № 8. С. 64–70.
Дворников А. А.
Рассматриваются беспроводные сенсорные сети в качестве платформы для парадигмы туманных вычислений, описывающей вычислительный процесс, выполняющийся на новом структурном слое, расположенным между облачными вычислениями и конечном оборудованием. Проводится анализ проблем, возникающих при использовании беспроводных сенсорных сетей для туманных вычислений, предлагаются направления исследований по их решению.
Язык:
русский
Ключевые слова: беспроводные сенсорные сетиоблачные вычисленияwireless sensor networksинтернет вещейInternet of Things (IoT)IEEE 802.15.4ZigBeeтуманные вычисления cloud computingIEEE 802.15.4fog networkscloud networksfog computingWeb thingsbody area sensor networksnetwork drainsPLC sensor networksWiFIBluetoothZigBeeZWaveTinyOSMANTISContikiOSNanoRKTinyDBтуманные сетиоблачные сетиWeb вещинательные сенсорные сетисетевые стокиPLC сенсорные сетиWiFiBluetoothZWaveTinyOSMANTISContikiOSNanoRKTinyDB
Aleksei Samarin, Назаренко А. А., Nazarenko D. и др., Machine Learning and Knowledge Extraction 2026 Vol. 8 No. 10 Article 330
Добавлено: 14 октября 2026 г.
Мамедов И. Г., Fofanov M., Lukianchenko P. и др., IEEE Access 2026 No. 14 P. 26662–26671
Добавлено: 14 октября 2026 г.
Дмитриев А. В., Корнилов В. В., Batienkov R., Lecture Notes in Civil Engineering 2026 Vol. 886 P. 249–255
Добавлено: 13 октября 2026 г.
Дмитриев А. В., Shulman I., Лебедев А. А., Studies in Computational Intelligence 2026 Vol. 1265 P. 266–273
Добавлено: 13 октября 2026 г.
Добавлено: 13 октября 2026 г.
Makarov D. M., Каликин Н. Н., Fashchevsky K. A. и др., Electrochimica Acta 2026 Vol. 579 Article 150159
Добавлено: 13 октября 2026 г.
Zhang Z., Ильвовский Д. А., Information Processing and Management 2026 Vol. 63 No. 7
Добавлено: 13 октября 2026 г.
No Species Is an Island, Entire of Itself: Genetic Speciation Algorithm with Interplay among Species
Громов В. А., Сохраби М., Fathollahi-Fard A., International Journal of Engineering, Transactions B: Applications 2027 Vol. 40 No. 5 P. 1437–1460
Добавлено: 12 октября 2026 г.
В данной работе проведено сравнение точности дальнометрии лидарных архитектур прямого времени пролёта (dToF) и вне прямой видимости (NLOS), обе из которых используют сверхпроводящий нанопроволочный детектор одиночных фотонов (SNSPD). Обе системы работают на длине волны 1550 нм с импульсным лазером длительностью 50 пс и методом коррелированного во времени счёта одиночных фотонов (TCSPC). Конфигурация dToF обеспечила точность около 100 мкм ...
Добавлено: 12 октября 2026 г.
Александров Д. В., Василевский В. И., Резуник Л. и др., Труды Института системного программирования РАН 2026 Т. 38 № 5 С. 73–90
Ограничения при выполнении задач, требующих точного извлечения информации из сверхдлинных последовательностей, приводят к снижению качества генерации и отладки кода крупных объектно-ориентированных систем, характеризующихся сложными межклассовыми зависимостями и необходимостью анализа длинных трассировок выполнения, превышающих размеры стандартных контекстных окон. Предлагается технология JavaCapsule для генерации и отладки Java-кода, реализующая итеративную отладку на основе структурированной обратной связи, включающей результаты ...
Добавлено: 12 октября 2026 г.
Singapore: Springer, 2026.
Добавлено: 12 октября 2026 г.
Зыков С. В., Ермаков С. Р., Современные наукоемкие технологии 2026 № 9 С. 43–53
При федеративном обучении с неоднородными клиентскими данными и переменными задержками запоздавшие обновления могут ухудшать качество модели, а обмен параметрами с глобальным сервером увеличивает сетевую нагрузку. Целью исследования является разработка и теоретико-экспериментальное обоснование метода и алгоритмов адаптивного федеративного обучения с учетом распределенного запаздывания клиентских обновлений. Для обоснования разрабатываемых решений использованы событийная и непрерывная модели градиентных обновлений, ...
Добавлено: 11 октября 2026 г.
Goncharov A., Чибисов А. Н., Advanced Theory and Simulations 2023 Vol. 12 No. 13 Article 2200816
Добавлено: 11 октября 2026 г.
Добавлено: 11 октября 2026 г.
Добавлено: 11 октября 2026 г.
Prokhorenko A., Чибисов А. Н., Gnidenko A. и др., The Journal of Physical Chemistry Letters 2024 Vol. 15 No. 41 P. 10295–10300
Добавлено: 11 октября 2026 г.
Чибисов А. Н., Chibisova M., Modern Electronic Materials 2025 Vol. 71 P. 99–103
Добавлено: 11 октября 2026 г.
Tyagi V., Srivastava A., Mangal A. и др., Surfaces and Interfaces 2025 Vol. 73 Article 107591
Добавлено: 11 октября 2026 г.
Добавлено: 11 октября 2026 г.
Vangapandu E., Agrawal S., Kumar S. и др., Materials Science in Semiconductor Processing 2026 Vol. 211 Article 110752
Добавлено: 10 октября 2026 г.
Брычков М. Е., Незнанов А.А., Программирование 2026 № 4 С. 50–66
Матричный профиль (МП) при появлении в 2016 г. быстро стал одним из важнейших методов предобработки, облегчающим решение широкого класса задач анализа временных рядов, в частности, задач обнаружения аномалий и шаблонов. Высокая значимость привела к появлению разнообразных инструментов вычисления МП, но оказалось, что особенности реализации методов существенно влияют на результаты, которые перестают быть идентичными. Встает вопрос, ...
Добавлено: 9 октября 2026 г.
Терегулов Т. Р., Лубенец Е. Р., / Series Quantum Physics "arXiv". 2026. No. 2609.31472.
Добавлено: 28 сентября 2026 г.