Sensor Analysis for the Internet of Things

در حالی که ممکن است دیدن حسگرها به عنوان مبدل‌های ساده که مقادیر فیزیکی را به سیگنال‌های الکتریکی تبدیل می‌کنند جذاب باشد، اما حقیقت موضوع پیچیده‌تر است. مهندس باید درک مناسبی از فیزیک درگیر در فرآیند تبدیل، از جمله برهمکنش با سایر کمیت های قابل اندازه گیری داشته باشد. درک عمیق این فعل و انفعالات را می توان برای اعمال تکنیک های همجوشی حسگر برای به حداقل رساندن نویز و/یا استخراج اطلاعات اضافی از سیگنال های حسگر به کار برد. پیشرفت در تولید میکروکنترلر و MEMS، همراه با بهبود اتصال به اینترنت، کاربردهای مقرون به صرفه پوشیدنی و حسگر اینترنت اشیا را فعال کرده است. در همان زمان، تکنیک‌های یادگیری ماشین به جریان اصلی تبدیل شده‌اند، به طوری که همان برنامه‌ها اکنون می‌توانند هوشمندتر از همیشه باشند. این کتاب این موضوعات را در زمینه مجموعه کوچکی از انواع حسگرها بررسی می کند. ما برخی از درک اولیه عملکرد سنسور را برای شتاب سنج ها، مغناطیس سنج ها، ژیروسکوپ ها و سنسورهای فشار ارائه می دهیم. ما نشان می‌دهیم که چگونه اطلاعات حاصل از آنها می‌تواند برای ارائه برآورد جهت‌گیری ترکیب شود. سپس موضوعات یادگیری ماشین و تجزیه و تحلیل داده های حسگر را بررسی می کنیم.

While it may be attractive to view sensors as simple transducers which convert physical quantities into electrical signals, the truth of the matter is more complex. The engineer should have a proper understanding of the physics involved in the conversion process, including interactions with other measurable quantities. A deep understanding of these interactions can be leveraged to apply sensor fusion techniques to minimize noise and/or extract additional information from sensor signals. Advances in microcontroller and MEMS manufacturing, along with improved internet connectivity, have enabled cost-effective wearable and Internet of Things sensor applications. At the same time, machine learning techniques have gone mainstream, so that those same applications can now be more intelligent than ever before. This book explores these topics in the context of a small set of sensor types. We provide some basic understanding of sensor operation for accelerometers, magnetometers, gyroscopes, and pressure sensors. We show how information from these can be fused to provide estimates of orientation. Then we explore the topics of machine learning and sensor data analytics.