En las redes de sensores inalámbricos (WSN), la conciencia del contexto se consigue normalmente mediante sistemas conscientes del contexto (CAS). Aunque casi todos los CAS siguen el ciclo sentido-decisión-adaptación, la noción de contexto está integrada en las aplicaciones; es decir, cuando se activa un evento, el ciclo sentido-decisión-actuación se ejecuta y realiza la actuación requerida. En situaciones, por ejemplo, siempre que se dispara el mismo evento, el ciclo produce la misma actuación mediante el uso mecánico de los mismos recursos, planteando el mismo procesamiento y tiempo. En este trabajo, proponemos CRAM, un sistema de contexto añadido en el que las actuaciones realizadas una vez por el sistema le ayudan a evolucionar internamente sirviendo como nuevos contextos. A medida que el sistema se expone a más situaciones, su repositorio de contextos se enriquece a través de estos contextos retrospectivos, permitiéndole gradualmente realizar actuaciones internas a través de contextos introspectivos mejorados. Esta actuación interna conduce al sistema hacia la evolución del procesamiento inteligente reduciendo la función independiente de decisión en el ciclo sentido-decisión-actuación y fusionándola con nuevos contextos. Por último, el sistema llega a un punto en el que la repetición de cada evento resulta ser un estímulo para que el sistema responda impulsivamente, a través de la memoria de los contextos introspectivos, para lograr una imitación del acto reflejo aprendido, lo que reduce el tiempo y el gasto de energía.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
La luz FTIR de sincrotrón revela los cambios de señal de la fijación de nanopartículas magnéticas biofuncionalizadas en Salmonella sp.
Artículo:
Autoorganización de nanopartículas de ZnO en nanocompuestos de acrilato curables con UV
Artículo:
Modelos de redes profundas de aprendizaje Q basados en la visión para predecir los niveles de concentración de partículas mediante datos de imágenes digitales temporales
Artículo:
Arquitectura eficiente de aprendizaje profundo para la detección y el reconocimiento de nódulos tiroideos
Artículo:
Evaluación de confiabilidad basada en diferentes distribuciones de carga aleatoria