Realtime apparaatherkenning met behulp van EM Footprints: 6 stappen
Realtime apparaatherkenning met behulp van EM Footprints: 6 stappen

Inhoudsopgave:

Anonim
Realtime apparaatherkenning met behulp van EM Footprints
Realtime apparaatherkenning met behulp van EM Footprints
Realtime apparaatherkenning met behulp van EM Footprints
Realtime apparaatherkenning met behulp van EM Footprints

Dit apparaat is bedoeld om verschillende elektronische apparaten te classificeren op basis van hun EM-signalen. Voor verschillende apparaten hebben ze verschillende EM-signalen die erdoor worden uitgezonden. We hebben een IoT-oplossing ontwikkeld om de elektronische apparaten te identificeren met behulp van de Particle Photon-kit. Ons draagbare apparaat kan om de pols worden gedragen met een compacte verbinding van deeltjesfoton met een OLED-display en circuitverbinding van deeltjesfoton naar de antenne die in de kit wordt geleverd.

Dit apparaat kan verder worden geïntegreerd om de elektronische apparaten te besturen en ze als "Smart devices" te maken met alle open source software, zodat u het kunt bedienen, ook de mogelijkheden van dit apparaat kunt wijzigen of verbeteren.

Stap 1: Hardware: Circuitontwerp

Hardware: Circuitontwerp
Hardware: Circuitontwerp
Hardware: Circuitontwerp
Hardware: Circuitontwerp
Hardware: Circuitontwerp
Hardware: Circuitontwerp
Hardware: Circuitontwerp
Hardware: Circuitontwerp

Componenten: (uit Particle Maker-kit)

U kunt de kit op verschillende online websites kopen.

-- Amazon-website

-- Deeltjeswebsite

--Adafruit-website

  1. Deeltjesfoton-ontwikkelingsbord
  2. Weerstanden x 3 -- 1 megaohm
  3. 3-5V 0,96" SPI serieel 128X64 OLED LCD-scherm
  4. Antenne (voor het verkrijgen van de EM-metingen/voetafdrukken)

Stap 2: Hardware: 3D-printen

Hardware: 3D-printen
Hardware: 3D-printen
Hardware: 3D-printen
Hardware: 3D-printen
Hardware: 3D-printen
Hardware: 3D-printen
  • We hebben onze polsband wijzerplaat ontworpen met behulp van een 3D-printer.
  • Het 3D-model is ontworpen in de Shapr3D-toepassing met iPad Pro.
  • stl-bestand van het 3D-model is geïmporteerd en in de Qidi-software geduwd omdat we de X-one-2 Qidi Tech-printer gebruikten.
  • 3D-printer duurde ongeveer 30 minuten om het model af te drukken.
  • link naar het stl-bestand.

Stap 3: Hardware: lasersnijden

  • We hebben het polsbandpatroon ontworpen met Adobe Illustrator.
  • Het ontworpen model werd vervolgens geëxporteerd naar de Universal Laser-machine, waar we het hout tot een flexibele polsband hebben gesneden.
  • link naar het svg-bestand.

Stap 4: Software: gegevensverzameling

  • Photon gebruiken, elke mogelijke instantie 3 x 100 datawaarde publiceren.

  • Schrijven van de gegevens van Photon naar data.json in node-server.
  • Analyseren van de data van node server naar MATLAB.
  • Gegevens die naar MATLAB worden verzonden, hebben de vorm van 1 x 300.

Stap 5: Software: de verzamelde dataset trainen

  • Brokken van 1 x 300 - voer naar MATLAB. (voor elk apparaat 27 verzamelde monsters) 27 x 300 verzamelde gegevens.
  • Functies toegevoegd aan de gegevens - (5 kenmerken) - gemiddelde, mediaan, standaarddeviatie, scheefheid, kurtosis.
  • De gegevens trainen in de MATLAB-classificatietoolbox
  • Offline-gegevens testen (6 x 6) in dezelfde toolbox

Stap 6: Software: de klassen voorspellen

Voorspelling

Het ophalen van de live-gegevens met behulp van foton

Het verzenden van de onbewerkte gegevens naar de node-server. (gegevens opgeslagen in data.json-bestand)

MATLAB-script voor het lezen van de gegevens uit het data.json-bestand en het voorspellen van het resultaat