ІНТЕЛЕКТУАЛЬНА ІНФОРМАЦІЙНО-ВИМІРЮВАЛЬНА СИСТЕМА НА ОСНОВІ АДАПТИВНО РЕКОНФІГУРОВАНОЇ СЕНСОРНОЇ МЕРЕЖІ ДЛЯ ЛАБОРАТОРНИХ ВИПРОБУВАНЬ
Анотація
Стаття присвячена забезпеченню метрологічної довіри до інтелектуальних інформаційно-вимірювальних систем з можливістю адаптивної реконфігурації у задачах лабораторних випробувань. У роботі удосконалено модель когнітивної реконфігурації сенсорних мереж при врахуванні усіх чотирьох етапів замкнутого циклу інтелектуальних вимірювань OODA. Наведено гібридну структурно-логічну графічну модель інформаційно-вимірювальної системи. Підвищення точності та простежуваності результатів досягнуто шляхом поєднання принципів дворівневого інтелектуального зважування при вимірюваннях та когнітивного управління процесами. За результами імітаційного експерименту підвищено показники точності на 38 % та простежуваності на 36 % у порівнянні з середніми показниками трьох розглянутих аналогічних моделей реконфігурації.
Завантаження
| Переглядів анотації: 76 | Завантажень PDF: 30 |
Посилання
Fabre, W., Haroun, K., Lorrain, V., Lep-ecq, M. and Sicard, G., (2024). From near-sensor to in-sensor: A state-of-the-art review of embed-ded AI vision systems. Sensors [online]. 24(16), 5446. https://doi.org/10.3390/s24165446
EDGE AI Foundation, (2025). The 2025 Edge AI technology report [online]. EDGE AI Foundation. [Viewed 8 October 2025]. Available from: https://www.edgeaifoundation.org/edgeai-content/the-2025-edge-ai-technology-report.
Diachok, R.V., 2023. Methods and means of intellectualization of information-measuring systems with multisensor configuration [Metody ta zasoby intelektualizatsii informatsiino-vymiriuvalnykh system z multysensornoiu konfi-huratsiieiu]. PhD thesis, Lviv Polytechnic Nation-al University (in Ukrainian).
Pang, M., Li, K., Wang, X., Wang, W., Cheng, W., Liu, D., Yin, Y. and Chen, P., (2024). DEWS: a distributed measurement scheme for efficient wireless sensing. Proceedings of the ACM on interactive, mobile, wearable and ubiq-uitous technologies [online]. 8(4), 1–34. https://doi.org/10.1145/3699728.
Baek, Y., Bae, B., Shin, H., Sonnada-ra, C.,
Cho, H., Lin, C.-Y., Mu, Y., Shen, C., Shah, S., Wang, G. and Lee, K., (2025). Edge intelligence through in-sensor and near-sensor computing for the artificial intelligence of things. Npj unconven-tional computing [online]. 2(1). https://doi.org/10.1038/s44335-025-00040-6.
Najjar, S., David, M., Derigent, W. and Zouinkhi, A., (2025). Dynamic reconfiguration of wireless sensor networks: a survey. Computer networks [online]. 262, 111176. https://doi.org/10.1016/j.comnet.2025.111176.
Alamzadeh, I. and Imani, M.F., (2025). Experimental demonstration of sensing using hybrid reconfigurable intelligent surfaces. Sen-sors [online]. 25(6), 1811. https://doi.org/10.3390/s25061811.
Guo, X., Chen, K. and Yang, J., (2024). Multimedia cognitive wireless sensor network cluster routing based on intelligent robot edge computing and collection. Informatica [online]. 48(13), 219–230. https://doi.org/10.31449/inf.v48i13.6062.
Panbude, S., Deshpande, P., Iyer, B. and Nandgaonkar, A.B., (2024). Enhancing cognitive radio WSN communication through cluster head selection technique. Engineering, technology & applied science research [online]. 14(2), 13347–13351. https://doi.org/10.48084/etasr.6803.
Khan, M.N., Lee, S. and Shah, M., (2025). Adaptive scheduling in cognitive iot sen-sors for optimizing network performance using reinforcement learning. Applied sciences [online]. 15(10), 5573. https://doi.org/10.3390/app15105573
Wang, X., Chen, H., and Li, S. (2023). A reinforcement learning-based sleep scheduling algorithm for compressive data gathering in wire-less sensor networks. EURASIP journal on wire-less communications and networking [online]. 2023, 28. https://doi.org/10.1186/s13638-023-02237-4.
Gul, N., Ahmed, S., Min Kim, S., Sajjad Khan, M., and Kim, J. (2023). Reconfigurable sensing time in cooperative cognitive network using machine learning. Computers, materials & continua [online]. 74(3), 5209–5227. https://doi.org/10.32604/cmc.2023.026945.
