دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Lianlin Li, Hanting Zhao, Tie Jun Cui سری: ISBN (شابک) : 1009277278, 9781009277273 ناشر: Cambridge University Press سال نشر: 2024 تعداد صفحات: 75 [136] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 Mb
در صورت تبدیل فایل کتاب Intelligent Metasurface Sensors (Elements in Emerging Theories and Technologies in Metamaterials) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب حسگرهای فراسطحی هوشمند (عناصر در نظریههای نوظهور و فناوریها در فرامواد) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
سنجش هوشمند الکترومغناطیسی (EM) یک ابزار آزمایش بدون تماس قدرتمند در علوم، مهندسی و نظامی است که ما را قادر میسازد تا اهداف نامرئی بصری را «دید» و «درک» کنیم. با استفاده از هوشمندی، حسگر میتواند بدون دخالت انسان، خط لوله سنجش وظیفهمحور را سازماندهی کند. حسگرهای فراسطحی هوشمند، هم افزایی مواد مصنوعی بسیار نازک (AMs) برای دستکاری امواج منعطف و هوش مصنوعی (AIs) برای دستکاری قدرتمند دادهها، در پاسخ به زمان و شرایط مناسب ظاهر میشوند و در سالهای گذشته توجه فزایندهای را به خود جلب کردهاند. نویسندگان انتظار دارند که نتایج این عنصر می تواند برای دستیابی به هدفی که حسگرهای معمولی نمی توانند به آن دست یابند مورد استفاده قرار گیرد، و استراتژی های توسعه یافته را می توان در کل طیف EM و فراتر از آن گسترش داد، که تأثیرات مهمی بر جامعه ربات ایجاد خواهد کرد. اتحاد انسانی
Intelligent electromagnetic (EM) sensing is a powerful contactless examination tool in science, engineering and military, enabling us to \'see\' and \'understand\' visually invisible targets. Using intelligence, the sensor can organize by itself the task-oriented sensing pipeline (data acquisition plus processing) without human intervention. Intelligent metasurface sensors, synergizing ultrathin artificial materials (AMs) for flexible wave manipulation and artificial intelligences (AIs) for powerful data manipulation, emerge in response to the proper time and conditions, and have attracted growing interest over the past years. The authors expect that the results in this Element could be utilized to achieve the goal that conventional sensors cannot achieve, and that the developed strategies can be extended over the entire EM spectra and beyond, which will produce important impacts on the society of the robot-human alliance.
Cover Title page Copyright page Intelligent Metasurface Sensors Contents 1 Introduction 2 Reprogrammable Coding Metasurfaces 2.1 Historical Background and Fundamental Principles 2.2 Wireless Energy Reallocation of Stray Wi-Fi Signals 2.2.1 Design of a One-Bit Reprogrammable Coding Metasurface 2.2.2 Modified Gerchberg–Saxton (GS) Algorithm 2.2.3 Results and Discussions 2.3 Dynamic Metasurface Holograms 2.3.1 Design of Dynamic Metasurface Hologram 2.3.2 Results 2.4 Reprogrammable OAM-Beam Generator 2.4.1 Design of Two-Bit Reprogrammable Coding Metasurface 2.4.2 Results 3 Information Fundamentals of Reprogrammable Metasurfaces 3.1 Signal Representation of One-Bit Coding Metasurfaces Case I: SISO Case II: SIMO Case III: MIMO 3.2 Information Capacities of One-Bit Coding Metasurfaces Appendix 1 Derivation of Eq. (3.2) Appendix 2 Derivation of Eq. (3.10) Appendix 3 Derivations of Eqs. (3.17) and (3.18) 4 Compressive Metasurface Imager 4.1 Introduction to Compressive Imagers 4.2 Single-Frequency Multiple-Shot Compressive Metasurface Imager 4.2.1 System Configuration 4.2.2 Imaging Model and Theoretical Guarantee Proof of Theorem 2 4.2.3 Results 4.3 Wideband Single-Shot Compressive Imager 4.3.1 System Configuration and EM Theory 4.3.2 Results 5 Machine-Learning Metasurface Imager 5.1 Sensing Principle 5.2 System Design 5.3 Some Details about Algorithms 5.3.1 EM Modeling of Meta-atom and Metasurface 5.3.2 Training Methods 5.4 Results 5.4.1 Machine-Learning Guided Imaging 5.4.2 Object Recognition in Compressed Domain 6 Intelligent EM Metasurface Camera 6.1 System Configuration 6.2 Signal Model 6.2.1 Signal Model for Active Sensing Mode 6.2.2 Signal Model for Passive Sensing Mode 6.3 Performance Evaluation 6.3.1 In Situ High-Resolution Imaging 6.3.2 Instant Recognition of Hand Signs and Vital Signs 6.3.3 Imaging and Recognition with Passive Modes 7 Intelligent Integrated Metasurface Sensors 7.1 VAE-Based Integrated Sensing 7.1.1 System Design 7.1.2 VAE Principle 7.1.3 In Situ Imaging of the Human Body 7.2 Free-Energy-Based Intelligent Integrated Sensing 7.2.1 System Design 7.2.2 Principle of Free-Energy Minimization 7.2.3 Through-the-Wall Sensing Results References Acknowledgments