Recent developments and technological advancements in wireless communication, MicroElectroMechanical Systems (MEMS) technology and integrated circuits has enabled low-power, intelligent, miniaturized, invasive/non-invasive micro and nano-technology sensor nodes strategically placed in or around the human body to be used in various applications, such as personal health monitoring. This exciting new area of research is called Wireless Body Area Networks (WBANs) and leverages the emerging IEEE 802.15.6 and IEEE 802.15.4j standards, specifically standardized for medical WBANs. The aim of WBANs is to simplify and improve speed, accuracy, and reliability of communication of sensors/actuators within, on, and in the immediate proximity of a human body. The vast scope of challenges associated with WBANs has led to numerous publications. In this paper, we survey the current state-of-art of WBANs based on the latest standards and publications. Open issues and challenges within each area are also explored as a source of inspiration towards future developments in WBANs.

The reliable prediction of coverage footprint resulting from an airborne wireless radio base station, is at utmost importance, when it comes to the new emerging applications of air-to-ground wireless services. These applications include the rapid recovery of damaged terrestrial wireless infrastructure due to a natural disaster, as well as the fulfillment of sudden wireless traffic overload in certain spots due to massive movement of crowds. In this paper, we propose a statistical propagation model for predicting the air-to-ground path loss between a low altitude platform and a terrestrial terminal. The prediction is based on the urban environment properties, and is dependent on the elevation angle between the terminal and the platform. The model shows that air-to-ground path loss is following two main propagation groups, characterized by two different path loss profiles. In this paper we illustrate the methodology of which the model was deduced, as well as we present the different path loss profiles including the occurrence probability of each.

Recently, mobile ad hoc networks became a hot research topic among researchers due to their flexibility and independence of network infrastructures, such as base stations. Due to unique characteristics, such as dynamic network topology, limited bandwidth, and limited battery power, routing in a MANET is a particularly challenging task compared to a conventional network. Early work in MANET research has mainly focused on developing an efficient routing mechanism in such a highly dynamic and resource-constrained network. At present, several efficient routing protocols have been proposed for MANET. Most of these protocols assume a trusted and cooperative environment. However, in the presence of malicious nodes, the networks are vulnerable to various kinds of attacks. In MANET, routing attacks are particularly serious. In this article, we investigate the state-of-the-art of security issues in MANET. In particular, we examine routing attacks, such as link spoofing and colluding misrelay attacks, as well as countermeasures against such attacks in existing MANET protocols.

There are numerous research challenges that need to be addressed until a wide deployment of vehicular ad hoc networks (VANETs) becomes possible. One of the critical issues consists of the design of scalable routing algorithms that are robust to frequent path disruptions caused by vehicles' mobility. This paper argues the use of information on vehicles' movement information (e.g., position, direction, speed, and digital mapping of roads) to predict a possible link-breakage event prior to its occurrence. Vehicles are grouped according to their velocity vectors. This kind of grouping ensures that vehicles, belonging to the same group, are more likely to establish stable single and multihop paths as they are moving together. Setting up routes that involve only vehicles from the same group guarantees a high level of stable communication in VANETs. The scheme presented in this paper also reduces the overall traffic in highly mobile VANET networks. The frequency of flood requests is reduced by elongating the link duration of the selected paths. To prevent broadcast storms that may be intrigued during path discovery operation, another scheme is also introduced. The basic concept behind the proposed scheme is to broadcast only specific and well-defined packets, referred to as ldquobest packetsrdquo in this paper. The performance of the scheme is evaluated through computer simulations. Simulation results indicate the benefits of the proposed routing strategy in terms of increasing link duration, reducing the number of link-breakage events and increasing the end-to-end throughput.

The increasing demand for broadband service, at least in hot spot areas, in today's wireless communications is causing cellular network providers to consider the integration of 3G cellular systems and wireless LAN. This has the particular advantage of high data rates and unlicensed spectrum. Consequently, network selection techniques play a vital role in ensuring quality of service in heterogeneous networks. In this article we develop a network selection scheme for an integrated cellular/wireless LAN system. The design goal is to provide the user the best available QoS at any time. The proposed scheme comprises two parts, with the first applying an analytic hierarchy process (AHP) to decide the relative weights of evaluative criteria set according to user preferences and service applications, while the second adopts grey relational analysis (GRA) to rank the network alternatives with faster and simpler implementation than AHP. Simulations conducted in a heterogeneous system with UMTS and wireless LAN reveal that the proposed network selection technique can effectively decide the optimum network through making trade-offs among network condition, user preference, and service application, while avoiding frequent handoffs.

IEEE 802.11n is an ongoing next-generation wireless LAN standard that supports a very highspeed connection with more than 100 Mb/s data throughput measured at the medium access control layer.This article investigates the key MAC enhancements that help 802.11nachieve high throughput and high efficiency.A detailed description is given for various frame aggregation mechanisms proposed in the latest 802.11ndraft standard.Our simulation results confirm that A-MSDU, A-MPDU, and a combination of these methods improve extensively the channel efficiency and data throughput.We analyze the performance of each frame aggregation scheme in distinct scenarios, and we conclude that overall, the two-level aggregation is the most efficacious.

In recent years, popularity of unmanned air vehicles enormously increased due to their autonomous moving capability and applications in various domains. This also results in some serious security threats, that needs proper investigation and timely detection of the amateur drones (ADr) to protect the security sensitive institutions. In this paper, we propose the novel machine learning (ML) framework for detection and classification of ADr sounds out of the various sounds like bird, airplanes, and thunderstorm in the noisy environment. To extract the necessary features from ADr sound, Mel frequency cepstral coefficients (MFCC), and linear predictive cepstral coefficients (LPCC) feature extraction techniques are implemented. After feature extraction, support vector machines (SVM) with various kernels are adopted to accurately classify these sounds. The experimental results verify that SVM cubic kernel with MFCC outperform LPCC method by achieving around 96.7% accuracy for ADr detection. Moreover, the results verified that the proposed ML scheme has more than 17% detection accuracy, compared with correlation-based drone sound detection scheme that ignores ML prediction.

Accurate estimation of the State of Charge (SoC) of Li-Ion batteries is crucial for secure and efficient energy consumption in electric vehicles (EVs). Traditional SoC estimation methods often require expert knowledge of battery chemistry and suffer from limited accuracy due to complex non-linear battery behaviour. Owing to the model-free nature and enhanced ability of non-linear regression in deep learning (DL), this paper proposes a hybrid DL model trained by a novel metaheuristic technique, namely the Hybrid Sine Cosine Firehawk Algorithm (HSCFHA). The proposed method utilises the Transductive Transfer Learning (TTL) technique to leverage the intrinsic relationship between different real-world datasets to estimate the SoC of batteries accurately. The evaluation analysis includes three diverse datasets of EV charging drive cycles: the Highway Fuel Economy Test Cycle (HWFET), Highway Driving Schedule (US06) and Urban Dynamometer Driving Schedule (UDDS), at various temperatures of  $0^\circ$  C,  $10^\circ$  C, and  $25^\circ$  C. The considered evaluation metrics, i.e., Normal Mean Squared Error (NMSE), Root Mean Squared Error (RMSE), and  $R^2$  , achieve values of 0.091%, 0.087%, and 99.51%, respectively. The TTL-HSCFHA-DNN effectively produces higher accuracy with a time-efficient convergence rate, compared to existing methods. The approach enables EV systems to operate more efficiently with improved battery life.