¿Cómo construir su propio lector RFID?

Question

¿Qué implica construir su propio lector RFID? Como ustedes saben, los lectores industriales de RFID no son baratos, ¿cómo se energiza la antena y se lee la salida?

Answer 1

SparkFun tiene un montón de piezas y tableros que también puede ayudarte.

Answer 2

Estoy básicamente de acuerdo con las otras respuestas hasta ahora, pero aquí está la respuesta en pocas palabras: La transformada de Fourier (y también la serie de Fourier) escribe una función como una superposición de funciones de la forma exp(iax). Estas funciones exponenciales son vectores propios de los operadores de traslación y diferenciación. Como estos operadores son tan naturales y ubicuos, a menudo se quiere trabajar en una "base" adaptada a ellos.

Answer 3

Probablemente puedas calcular las predicciones que quieras con un poco de álgebra. Consideremos el conjunto de datos de ejemplo,

data(sex2)
fm <- case ~ age+oc+vic+vicl+vis+dia
fit <- logistf(fm, data=sex2)

Una matriz de diseño es la única pieza que falta para calcular las probabilidades predichas una vez que obtenemos los coeficientes de regresión, dados por

betas <- coef(fit)

Así que, en primer lugar, vamos a intentar obtener una predicción para los datos observados:

X <- model.matrix(fm, data=sex2)       # add a column of 1's to sex2[,-1]
pi.obs <- 1 / (1 + exp(-X %*% betas))  # in case there's an offset, δ, it 
                                       # should be subtracted as exp(-Xβ - δ)

Podemos comprobar que obtenemos el resultado correcto

> pi.obs[1:5]
[1] 0.3389307 0.9159945 0.9159945 0.9159945 0.9159945
> fit$predict[1:5]
[1] 0.3389307 0.9159945 0.9159945 0.9159945 0.9159945

Ahora, usted puede poner en la matriz de diseño anterior, X valores que le interesan. Por ejemplo, con todas las covariables establecidas en uno

new.x <- c(1, rep(1, 6))
1 / (1 + exp(-new.x %*% betas)) 

obtenemos una probabilidad individual de 0,804, mientras que cuando todas las covariables se fijan en 0 ( new.x <- c(1, rep(0, 6)) ), la probabilidad estimada es de 0,530.

Answer 4

En general, los movimientos a pequeña escala (como la convección y la formación de remolinos locales) en la dinámica de los fluidos geofísicos se tratan como turbulencia, es decir, un régimen caracterizado por movimientos caóticos y variaciones rápidas y casi aleatorias de la presión, la temperatura y la velocidad. Estos procesos aleatorios no pueden despreciarse en las capas límite (capas de flujo cercanas a las superficies limítrofes atmósfera-suelo, atmpsfera-océano) porque implican en promedio un flujo de momento y calor de la atmósfera al suelo o al océano (o viceversa). En geofísica las capas límite más notables son:

--> La capa límite atmosférica, que es la parte inferior de la atmósfera, de unos 1000 m de espesor, en contacto con el suelo y la superficie del mar.

--> La capa límite oceánica, que es la capa superior del mar, de unos 10-100 m de espesor, cerca del límite con la atmósfera.

Por lo tanto, un modelo climático a gran escala que incluya las capas límite (por ejemplo, los modelos que describen la circulación oceánica impulsada por el viento) debe tener en cuenta la turbulencia media efectos: efectivamente parametrizando los fenómenos a pequeña escala significa "tener en cuenta sus efectos medios".

A la inversa, lejos de las capas límite La turbulencia puede ser despreciada. Por ejemplo, los modelos de circulación global que describen los movimientos de la alta atmósfera suelen despreciar la turbulencia.

La forma más sencilla de tener en cuenta los efectos medios de la turbulencia es introducir en las ecuaciones de la dinámica términos que representen el rozamiento medio, por ejemplo el descrito por la ecuación de arrastre:

Fd = - ρ Cd |U| u

donde ρ es la densidad del fluido, |U| es la escala de velocidad, u es la velocidad. Fd se llama fuerza de arrastre, y es una fuerza por unidad de superficie. Representa la fricción media ejercida por la atmósfera sobre la superficie. Cd se denomina "coeficiente de arrastre", y puede estimarse mediante observaciones experimentales. Su valor puede ser diferente en distintas situaciones. La ecuación de arrastre es una relación empírica, y puede deducirse mediante consideraciones puramente dimensionales, como el número de Reynolds. En particular podemos encontrar, utilizando el teorema de Buckingham, que Cd depende sólo en el número de Reynolds.

Answer 5

Otra opción (pero sólo para NAD83) es SPCS83 en http://www.ngs.noaa.gov/PC_PROD/SPCS83 . Se ejecuta en una ventana de línea de comandos en un PC y convierte de forma interactiva o a partir de un archivo de texto de entrada. Incluye el código fuente si lo que quieres es el algoritmo. El código fuente es Fortran, que puede ser un dolor de cabeza, pero es lo suficientemente fácil de descifrar para obtener los algoritmos. También puedes ver www.metzgerwillard.us/spcge/spcge.html que es un front end para SPCS83 en Google Earth.