شبکه‌های حسگر چندرسانه‌ایی کاربردهای جدیدی را به وجود آورده‌اند که در اینجا به چند مورد اشاره خواهیم کرد ]۱۷[:
شبکه حسگر چندرسانه‌ای برای مراقبت و کاوش به منظور ارتقاء و تکمیل سیستم‌های نظارت بر حملات تروریستی و جرم و جنایت‌های روزانه می‌توان از این شبکه استفاده کرد. همچنین از سنسورهای ویدئویی در مقیاس بزرگ می‌توان برای نظارت بر مناطق عمومی، املاک خصوصی و مرزها استفاده نمود.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

سیستم‌های کنترل و پیشگیری از تصادف برای مشاهده ترافیک در بزرگراه‌ها و شهرهای بزرگ و توسعه سرویس‌هایی که مسیرهای ترافیکی بهتری را بسته به ترافیک بزرگراه‌ها و خیابان‌های سطح شهر پیشنهاد می‌دهند، در آینده‌ای نزدیک امکان‌پذیر خواهد بود. علاوه بر این، با وجود شبکه‌های حسگر چندرسانه‌ای می‌توان سیستمی را برای پیدا کردن فضاهای خالی برای پارک کردن در مناطق مشخص طراحی کرده و ترافیک شهری را بهبود بخشید.
مراقبت‌های پزشکی پیشرفته: با ادغام شبکه حسگر چندرسانه‌ای و شبکه سلولی ۳G، می‌توان خدمات پزشکی گسترده‌ای را ارائه داد. بیماران می‌توانند حسگرهای پزشکی را به منظور کنترل پارامترهای مشخص مانند دمای بدن، فشار خون، وضیعت تنفسی و غیره را با خود حمل کنند.
کنترل پروسه‌های صنعتی: شبکه‌های حسگر چندرسانه‌ای را می‌توان برای کنترل خطوط تولید و پروسه‌های صنعتی که زمان عنصر حیاتی برایشان می‌باشد مورد استفاده قرار داد. به عنوان مثال، با وجود داده‌های تصویری می‌توان در بخش کنترل کیفیت یک محصول، به صورت خودکار عیوب احتمالی تشخیص داده شده و عکس‌العمل مناسب با آن بکار گرفته شود.
موارد گفته شده تنها بخشی از موارد کاربردی شبکه‌های حسگر چندرسانه‌ای در زمینه‌های بزرگ می‌باشد. علاوه بر موارد گفته شده صدها کاربرد این نوع از شبکه‌ها در آینده‌ایی نزدیک در دسترس همگان قرار خواهد گرفت.
وجود کامپیوتر را در دنیای امروز در نظر بگیرید. بدون کامپیوتر زندگی تقریباً مختل شده و اکثر سیستم‌ها بلااستفاده خواهند شد. امروزه در هر خانه‌ای حداقل یک کامپیوتر وجود دارد. سنسور و شبکه حسگر در دهه آینده، نقشی بزرگی و موثر در زندگی روزانه افراد خواهند داشت، به صورتی که تاثیر این نوع از شبکه‌ها بر زندگی روزمره بسیار بیشتر از تاثیر کامپیوتر بر زندگی کنونی بشر خواهد بود. بنابراین صرف هزینه‌های هنگفت در این بخش معقولانه به نظر رسیده و نویدبخش زندگی راحت‌تری می‌باشد ]۱۰[.
وضیعت شبکه حسگر بی‌سیم در ایران
اولین مرکز فعال در زمینه شبکه‌های حسگر، هسته فناوری‌های نوین زیرنظر مرکز رشد فناوری‌های پیشرفته دانشگاه صنعتی شریف بوده است. این هسته در سال ۱۳۸۶ توسط آقای علیرضا معصوم فارغ‌التحصیل از دانشگاه شریف تاسیس شد. فعالیت این گروه فقط در زمینه تحقیقات محدود شد و به علت عدم حمایت و همکاری‌های لازم، در عرض چند ماه منحل گردید ]۱۸[.
بعد از این گروه، مرکز معتبر دیگری بنام Novel Architectures & Wireless Sensor Network Lab تحت نظارت دکتر جهانگیر، مستقر در دانشکده کامپیوتر شریف، فعالیت خود را در این زمینه شروع کرده است. این آزمایشگاه تجهیزات پایه‌ای این تکنولوژی را برای انجام فعالیت‌های تحقیقاتی و آزمایشگاهی خریداری و کمتر از یک سال در این زمینه مطالعه کرده و برای بکار بردن این تکنولوژی در صنعت تلاش می‌کند]۱۸[.
متاسفانه در کشور ما سرمایه‌گذاری چندانی در قسمت کاربرد شبکه‌های حسگر نشده و عمده فعالیت‌های انجام شده به صورت آکادمیک و دانشگاهی بوده است. در صورتی که با توجه به منابع عظیم و حیاتی موجود در ایران و همچنین کاربردهای وسیع شبکه‌های حسگر می‌توان با کسب دانش در رابطه با این تکنولوژی به پیشرفت‌های خوبی نایل شد ]۱۸[.
می‌دانیم کشورمان دارای منابع عظیم نفت و گاز می‌باشد. هسته اصلی درآمدهای کشور نیز این صنعت می‌باشد. علاوه بر این، ایران در سال ۲۰۱۱ هزینه‌ای بالغ بر ۳۰ میلیارد دلار را صرف انجام پژوهش و اجرای طرح‌های مختلف در زمینه نفت و گاز کرده است. به طبع ارائه راهکارهای جدید و کاربردی در زمینه نفت و گاز که به جرات مهمترین منبع استراتژیک ایران می‌باشد، می‌تواند سالانه میلیون‌ها دلار برای این صنعت به ارمغان بیاورد. برای نمونه می‌توان سیستمی را برای مانیتورینگ چاه‌های نفتی با بهره گرفتن از شبکه‌های حسگر پیاده‌سازی نمود. به کمک این سیستم، ضمن حفظ دقت کمیت‌های اندازه‌گیری شده، هزینه‌های انتقال و نظارت بر شبکه‌های کابلی (به علاوه هزینه‌های ایجاد کانال‌های دسترسی) نیز کاملاً حذف می‌گردد. بنابراین به صورت خلاصه، استفاده از این فناوری سبب تغییر در نگرش‌های رایج بر مدیریت چاه‌های نفت و گاز شده و ضمن جلوگیری از اعمال هزینه‌های غیرضروری، موجب پیشگیری از وقوع صدمات جبران ناپذیر و یا کاستن از آسیب‌های وارده به تاسیسات تولید خواهد شد ]۱۸[.
از دیگر کاربردهای شبکه‌های حسگر که می‌تواند برای صنعت کشورمان مفید واقع گردد، استفاده از این نوع شبکه‌ها در بخش کشاورزی و باغداری می‌باشد. کشور ما در یکی از خشکترین مناطق جهان واقع شده است به طوری که میانگین میزان بارش سالانه کشور بر اساس مطالعات جهانی در سال ۲۰۰۶ تقریباً یک سوم میانگین بارش جهانی است. در شرایط جوی موجود، ۷۱ درصد از این میزان بارش تبخیر می‌شود ]۱۹[.
مساحت زمین‌های کشاورزی آبیاری شده در ایران حدوداً ۰۰۰,۳۵۰,۵ هکتار است که این رقم، ۸/۳۲ درصد از مساحت کل کشور می‌باشد. در ایران آبیاری بازدهی لازم را ندارد، در حقیقت ۷۵ درصد از آبی که برای آبیاری مصرف می‌شود، به هدر می‌رود. دلیل این موضوع نیز آبیاری به روش سنتی می‌باشد. به علت آبیاری غلط، سالانه نزدیک به ۰۰۰,۴۰۰ هکتار خاک رو به تخریب می‌گذارد و در نتیجه این تخریب، یک میلیون هکتار دیگر به مساحت صحراهای کشور افزوده می‌شود ]۱۹[.
در ۱۵ سال اخیر سعی شده است با احداث سد، زمین‌های کشاورزی افزایش داده شوند، ولی این راه‌حل کارساز نیست. آبی که از طریق سدها جمع‌ آوری می‌شود، حدود ۲۵ میلیارد مترمکعب است. این رقم تنها معادل ۲۸ درصد از آبهای روزمینی مورد استفاده در بخش کشاورزی می‌باشد. به رقم احداث ۷ سد بزرگ در سال‌های ۲۰۰۰-۱۹۹۰ و استفاده از آب‌های زیرزمینی، مقدار زمین‌های آبیاری شده افزایش نیافته است. براساس تخمین‌ها برای تغذیه جمعیت روبه‌رشد ایران در سال‌های آتی، به تولید ۱۰۰ میلیون تن غذا نیاز است. براساس مطالعات انجام شده، در این راستا در سال ۲۰۲۱ نیاز آب کشور ۱۵۰ میلیارد متر مکعب محاسبه شده است که این رقم ۱۵ درصد بیشتر از پتانسیل آب شرب ایران است ]۱۹[.
در مناطقی مانند ایران که منابع آب کمی دارند، علاوه بر قحطی آب، به‌علت مدیریت بد نیز منابع آب به هدر می‌رود. در این راستا براساس مطالعات جهانی، برای کاهش میزان آبی که در حین آبیاری به هدر می‌رود و استفاده بهینه از منابع آب، لزوم توسعه تکنیک‌های آبیاری مدرن نظیر تغییر روش‌های آبیاری، برجسته می‌شود ]۱۹[.
با توجه به موارد گفته شده در می‌یابیم تنها راه‌حل برای بحران کم آبی در کشور استفاده درست از منابع آبی است. باید توجه داشت همانطور که کم آبی باعث بروز مشکل و کاهش محصولات زراعی می‌شود، آب‌دهی زیاد نیز باعث ایجاد بیماری و آفت در مزارع خواهد شد ]۱۹[.
استفاده از شبکه حسگر بی‌سیم برای آبیاری در مزارع یکی از روش‌های نوین مدیریت منابع آبی در جهان می‌باشد که امروزه در کشورهای چون استرالیا، هلند و ایالات متحده آمریکا برای مدیریت منابع آب پیاده‌سازی شده است. شبکه‌ی حسگر بی‌سیم به علت هزینه کم، قابلیت سیار بودن، نصب آسان و دیگر موارد یکی از راه‌ حل ‌های موثر مدیریت منابع آبی می‌باشد ]۱۹[.
در این سیستم ابتدا سنسورها رطوبت خاک را اندازه‌گیری کرده سپس داده‌های بدست آمده را به صورت بی‌سیم به کامپیوتر مرکزی ارسال می‌کنند. با بهره گرفتن از نرم‌افزار مربوطه این داده‌ها تحلیل شده و طبق آن تصمیمات مناسب گرفته می‌شود. لازم به ذکر است می‌توان عمل آبیاری را به صورت دستی و یا خودکار انجام داد. در سیستم مذکور هنگام کاهش رطوبت خاک، هشدار لازم داده شده و برای اپراتور زمان آبیاری را مشخص می‌کند. همچنین با توجه به مزرعه مربوطه می‌توان مقدار آبیاری را نیز مشخص نمود ]۱۹[.
واضح است چنین سیستمی در درجه اول آبیاری مزارع را از حالت سنتی ارتقا داده و باعث مدیریت قوی و صحیح آب خواهد شد. با کنترل زمان و مقدار آبیاری باعث از بین رفتن کم‌آبی و همچنین پرآبی مزارع و طبعات سوء آن خواهد شد. صرفه‌جویی در میزان آب مصرفی مهمترین مشخصه سیستم فوق خواهد بود. برطبق سیستم‌های پیاده‌سازی شده در کشورهای دیگر، این سیستم مصرف آب را ۲۰ تا ۳۰ درصد کاهش داده و در مزارع کشاورزی باعث افزایش محصول شده است ]۱۹[.
علاوه بر بحث آبیاری، می‌توان از شبکه‌های حسگر برای کنترل آفات مزارع نیز استفاده نمود. با علم به اینکه کشاورزی در ایران عموماً به صورت سنتی می‌باشد، به طبع کنترل آفات نیز با دانش کم و بازدهی پایین انجام می‌پذیرد. در چنین شرایطی، ارائه سیستمی مبتنی بر شبکه‌ی حسگر با قابلیت اجرایی و پیاده‌سازی آسان می‌تواند کمک شایانی به کشاورزان و صنعت کشاورزی در ایران نماید. حسگرهای سیستم کنترل آفت در قسمت‌های مختلف زمین کشاورزی نصب شده و با ارسال اطلاعات به مرکز کنترل، امکان اعمال کنترل‌های لازم را فراهم می‌آورد و هر چه تعداد حسگرهای بکار گرفته شده بیشتر باشد، کارایی آن هم بیشتر است. بوسیله مانیتورینگ کامل تمامی پارامترهای مهم زمین کشاورزی مانند دما و رطوبت محیط و خاک می‌توان اطلاعات هر حسگر را ذخیره و نمودار تغییرات آن را به صورت بلادرنگ مشاهده نمود]۱۹[.
در نمودار ذیل پیش‌بینی‌هایی راجع به نفوذ شبکه‌های حسگر بی‌سیم در بازار شده است.
شکل ‏۲‑۱۱. نفوذ شبکه های حسگر بیسیم در بازار ]۱۰[
مفاهیم شبکه های عصبی
مشخصات نرون
در این بخش اصول اساسی که به وسیله آنها بتوان شبکه‌های عصبی را به شکل ریاضی تشریح کرد بیان می‌گردد. این اصول از طبیعت زیستی اقتباس شده و رفتار بیولوژیکی نرون‌ها و شبکه‌های آنها توسط روابط ریاضی بطور دقیق بیان گشته است ]۲۲,۲۱,۲۰[.
شبکه‌های عصبی، اطلاعات را بر اساس الگوریتم سلسله مراتبی پردازش نمی‌کند. پردازش در شبکه‌های عصبی بر اساس تجزیه موازی اطلاعات پیچیده به عناصر اصلی آنها صورت می‌گیرد. همانطور که می‌توان یک نور رنگی را به طول موج‌های اصلی و دامنه‌های متناظر آنها تجزیه کرد و هر زمان که لازم باشد می‌توان با ترکیب آنها دقیقاً همان رنگ را بوجود آورد. یک شبکه عصبی نیز با تجزیه اطلاعات به عناصر پایه و با حفظ آن عناصر و روابط حاکم بین آنها در حافظه آن اطلاعات را می‌آموزد ]۲۳[.
مدل تک ورودی
شکل زیر یک نرون تک ورودی رانشان می‌دهد اسکالرهای a,p به ترتیب ورودی و خروجی می‌باشند.
شکل ‏۲‑۱۲- مدل نرون تک ورودی ]۲۳[
میزان تأثیر p روی a به وسیله مقدار اسکالر w تعیین می‌شود ورودی دیگر که مقدار ثابت یک است درجمله بایاس b ضرب شده و سپس با wp جمع می‌شود این حاصل جمع ورودی خالص n برای تابع محرک (تبدیل) f خواهد بود. بدین ترتیب خروجی نرون با معادله زیرتعریف می‌شود ]۲۳[.
a=f(wp+b)
توابع محرک
تابع محرک f می تواند خطی یا غیر خطی باشد. یک تابع محرک بر اساس نیاز خاص حل یک مسئله، مسئله‌ای که قرار است به وسیله شبکه عصبی حل شود انتخاب می‌شود. در عمل تعداد محدودی از توابع محرک مورد استفاده قرار می‌گیرند. چند نمونه از توابع محرک در زیر آورده شده است ]۲۳[.
نام تابع تعریف تابع شکل
تابع آستانه ای دو مقداره
تابع آستانه ای دو مقداره متقارن
تابع خطی
آستانه ای خطی متقارن
تابع زیگمویدی
تانژانت هیپربولیکی
مدل چند ورودی
عموماً یک نرون بیش از یک ورودی دارد. شکل زیر یک نرون با چند ® ورودی را نمایش می‌دهد. بردار ورودی را با P نمایش می‌دهیم. اسکالرهای (R , …1,2, = I ) pi عناصر بردار p هستند. مجموعه سیاپس‌ها i و w1 را با ماتریس وزن w نمایش می‌دهیم در این حالت w یک بردار سطری با عناصر (R , …1,2, = I )i و w1 است. هر عنصر از بردار ورودی p در عنصر متناظر از W ضرب می‌شود نرون یک جمله بایاس b دارد که با حاصل ضرب ماتریس وزن w با بردار ورودی p جمع می‌شود ]۲۳[.
شکل ‏۲‑۱۳- مدل نرون چند ورودی ]۲۳[
ورودی خالص به تابع محرک f مطابق فرمول زیر محاسبه می شود.
در نهایت خروجی نرون به صورت زیر خواهد بود.
A=f(wp+b)
ساختار شبکه های عصبی
باید توجه داشت که معمولاً حتی یک نرون با تعداد ورودی‌های زیاد نیز تنهایی برای حل مسائل فنی و مهندسی کفایت نمی‌کند. مثلاً برای مدل سازی نگاشت‌هایی که دارای چند خروجی هستند احتیاج به تعداد نرون‌های بیشتر از یکی خواهد بود که بطور موازی عمل کنند. در این حالت یک لایه خواهیم داشت که از اجتماع چند نرون تشکیل شده است ]۲۴[.
الف) شبکه تک لایه: یک شبکه تک لایه با S نرون در شکل نشان داده شده است ورودی شبکه را بردار P و خروجی آن را با بردار a نشان داده‌ایم. توجه داریم که هر یک از ورودی‌ها به همه نرون‌ها متصل شده است. ماتریس w نیز در این حالت دارای s سطر و R ستون می‌باشد همانگونه که در شکل مشاهده می‌شود لایه‌ها شامل ماتریس وزن، جمع کننده‌ها، بردار بایاس B و تابع تبدیل f هستند.
شکل ‏۲‑۱۴- شبکه تک لایه با S نرون ]۲۴[
شکل ‏۲‑۱۵- لایه ترکیبی با دو نوع تابع محرک F¹ و F² ]۲۴[
ب) شبکه‌های چند لایه: در شبکه‌های چند لایه، ماتریس وزن W، بردار بایاس B، بردار ورودی خالص N و بردار خروجی مختص خود را دارد جهت تمایز متغیرهای فوق و اینکه کدام متغیر به کدام لایه تعلق دارد نیاز داریم که علامت دیگر را هم به متغیرهای فوق تخصیص دهیم. از این رو از بالانویس برای مشخص نمودن لایه استفاده می‌کنیم بنابراین ماتریس وزن برای لایه اول را با w مشخص می‌کنیم با به خاطر سپردن این نماد، یک شبکه دو لایه را می‌توان به صورت زیر ترسیم نمود. همانطور که از شکل پیداست تعداد R ورودی و تعداد S1 نرون در لایه اول و تعداد S2 نرون در لایه دوم در شبکه چند لایه موجود است ]۲۳[.
ج) تعریف لایه خروجی: لایه‌ای که خروجی آن خروجی شبکه عصبی باشد به لایه خروجی موسوم است لایه‌های دیگر به لایه‌های میانی موسومند. شبکه موجود دارای یک لایه میانی است.
شکل ‏۲‑۱۶- نمایی از لایه خروجی ]۲۳[
آموزش و یادگیری شبکه‌های عصبی مصنوعی
بطور کلی، آموزش فرآیندی است که به وسیله آن، شبکه عصبی خود را برای یک محرک سازگار می‌کند به نحوی که بعد از تعدیل مناسب پارامترهای شبکه پاسخ مطلوب را ارائه دهد. همچنین شبکه‌های عصبی در حین آموزش وظیفه دسته‌بندی هر یک از محرک‌ها را به عهده دارد. یعنی وقتی که یک محرک به شبکه اعمال می‌شود یا آن را تشخیص داده در دسته‌ه ای موجود قرار می‌دهد و یادسته جدیدی به وجود می‌آورد ]۲۵[.
در واقع شبکه، در فرایند آموزش، پارامترهای خود (یعنی وزنه‌های سیناپس) را در پاسخ به ورودی محرک تعدیل می‌کند. به نحوی که خروجی واقع شبکه به خروجی مطلوب همگرا شود. هنگامی که خروجی واقعی همان خروجی مطلوب گردید. آموزش شبکه خاتمه می‌یابد و به اصطلاح شبکه دانش را فراگرفته است. شیوه‌ی آموزش به نحوه‌ی اتصالات نرون‌های مصنوعی برای نمونه‌های مختلفی که تاکنون ارائه شده است بستگی است. در شبکه‌های عصبی مصنوعی قوانین آموزش به شکل ریاضی بیان می‌شود که به معادلات آموزش موسوم است. معادلات آموزش شیوه‌ی فراگیری شبکه را ( که در واقع نحوه‌ی تبدیل وزنه‌ها هستند) بیان می‌کند. همان‌طور که شیوه‌ی آموزش خاصی برای افراد معینی مناسب است برای شبکه عصبی مصنوعی نیز روش‌های خاصی مناسب است ]۲۵[.