طراحی و پیاده سازی سیستم های مدیریت انرژی هوشمند مبتنی بر ZigBee

•   آرشیو : نسخه پاییز 1397
•   موضوع : هوش مصنوعی
• نویسنده/گان : مرتضی زلف پورآرخلو، افسون سروقد، پویا روزبه جوان
•   چکیده :
  امروزه سازمانها با استفاده از پروتکلهای IEEE ، 802.15.4 و ZigBee ، به طور موثر برای راه حل های مختلفی از جمله کنترل مصرف کننده های الکترونیکی، مدیریت انرژی و اتوماسیون تجاری کارای ساختمانها و همچنین مدیریت کارخانه های صنعتی از IEEE، 802.15.4 و ZigBee استفاده می کنند. شبکه انرژی خانه هوشمند با توجه به انعطافپذیری آن در زندگی روزمره، توجه گسترده ای را به خود جلب کرده است. نسل بعدی سیستم خانه سبز به طور شفاف ادغام و یکپارچه سازی لوازم خانگی مختلف، سنسورهای هوشمند و فن آوری های ارتباطات بی سیم را فراهم می سازد. شبکه انرژی سبز به تدریج یک سیستم پیچیده برای پردازش وظایف مختلف را تشکیل می دهد. در حین توسعه این روند، ما یک سیستم مدیریت انرژی هوشمند جدید (SHEMS) را بر اساس IEEE، 802.15.4 و ZigBee (ما آن را به عنوان یک "شبکه حسگر ZigBee") پیشنهاد می کند. سیستم مدیریت انرژی پیشنهادی، وظایف مختلف شبکه خانگی را به اجزای مناسبی تقسیم می کند. این روش می تواند اطلاعات سنجشهای فیزیکی متنوع و کنترل دستگاه های مختلف خانه را با پشتیبانی از شبکه های حسگر فعال با داشتن دو سنسور و اجزای سازنده ادغام کند. یک پروتکل مسیریابی براساس مسیریابی چندگانه DMPR Multi-Path Based Routing را برای بهبود عملکرد شبکه های حسگر ZigBee توسعه داده شده است. این مقاله به معرفی سیستم پیشنهادی کنترل انرژی خانه،که خدمات هوشمندانه ای را برای کاربران فراهم می کند، می پردازد. واژگان کليدي: خانه هوشمند، مدیریت انرژی، ZigBee، شبکه سنسور. دانشمندان و پژوهشگران بر این باورند که پیشرفت رایانه ها و بیوتکنولوژی می تواند مغز انسان را نیز تحت تاثیر قرار دهد.یک گروه بین المللی از پژوهشگران پیشرفت های قابل توجهی را برای ارتباط میان مغز انسان و رایانه بدست آورده اند.آنها با ترکیب فناوری نانو،هوش مصنوعی و محاسبات قدیمی به این نتیجه رسیدند که انسان می تواند مغز خود را به کامپیوتر وصل کند.محققان سعی دارند تا با واسطی که بین کاربر و کامپیوتر قرار می دهند روشی ایجاد کنند که کاربر بدون استفاده از هیچ یک از اندام های بدن و تنها با تفکر بتواند با رایانه به صورت مستقیم ارتباط برقرار کند و فعالیت های خود را انجام دهد.تحقیق محققان هنوز در مراحل اولیه خود قرار دارد با این حال در این تحقیق به روش های موجود و تحقیقات انجام شده مانند روش کارکرد BCI و کاربرد ها و چالش های آن پرداخته می شود تا کاربران علاقمند به این فناوری بتوانند آشنایی کاملی با این فناوری پیدا کنند
•   کلید واژه : اتصال مغز،BCI،کاربرد BCI،چالش های BCI،شبکه عصبی
•   Title : Overview of the brain-to-computer connection, challenges , solutions, and application
•   Abstract :
  Scientists believe that advances in computing and biotechnology can affect the human brain as well. An international team of researchers has made significant advances in the relationship between the human brain and the computer. They combine nanotechnology intelligence artificial computing has come ti the conclusion that humans can connect their brain to computers. Researchers are trying to create a way for the user ti communicate directly with the computer without having to use any of the organs, just by thinking through the interface between the user and the computer. Researchers are still in their infancy, however, and this research examines existing methods and application such as the BCI method and its application and challenges so that users and those interested in the technology can gain a thorough understanding of the technology.
•   مراجع :
  منابع
  Zommit.com
  باشگاه خبرنگاران جوان
  یورونیوز
  
  S. R. Kheradpisheh, A. Nowzari-Dalini, R. Ebrahimpour, and M. Ganjtabesh, “An Evidence-Based Combining Classifier for Brain Signal Analysis,” PLoS One, vol. 9, no. 1, p. e84341, 2014.
  Brumberg JS, Nieto-Castanon A, Kennedy PR, Guenther FH. Brain–computer interfaces for speech communication. Speech Commun 2010; 52(4):367-379.
  Halder S, Rea M, Andreoni R, Nijboer F, Hammer E, Kleih S, et al. An auditory oddball brain–computer interface for binary choices.Clinical Neurophysiology 2010;121(4):516-23.
  A. Ahangi, M. Karamnejad, N. Mohammadi, R. Ebrahimpour, and N. Bagheri, “Multiple classifier system for EEG signal classification with application to brain–computer interfaces,” Neural Comput. Appl., vol. 23, no. 5, pp. 1319–1327, 2013.
  S. R. Kheradpisheh, A. Nowzari-Dalini, R. Ebrahimpour, and M. Ganjtabesh, “An Evidence-Based Combining Classifier for Brain Signal Analysis,” PLoS One, vol. 9, no. 1, p. e84341, 2014.
  Dayan E, Censor N, Buch ER, Sandrini M, Cohen LG. Noninvasive brain stimulation: from physiology to network dynamics and back. Nat Neuroscience. 2013; 16: 838-44.
  Aleman A. Use of repetitive transcranial magnetic stimulation for treatment in psychiatry. Clin Psychopharmacol Neurosci. 2013; 11(2): 53-9.
  
  Yue J, Zhou Z, Jiang J, Liu Y, Hu D. Balancing a simulated inverted pendulum through motor imagery: An EEGbased real-time control paradigm. Neuroscience Letters 2012:524(2):95-100.
  Diekelmann S, Buchel C, Born J, Rasch B. Labile or stable: opposing consequences for memory when reactivated during waking and sleep. Nat Neurosci. 2011; 14: 381-6.
  Cohen DA, Robertson EM. Preventing interference between different memory tasks. Nat Neurosci. 2011; 14(8): 953-5.
  Esslinger C, Schuler N, Sauer C, Gass D, Mier D, Braun U, et al. Induction and quantification of prefrontal cortical network plasticity using 5 Hz rTMS and fMRI. Hum Brain Mapp. 2014; 35(1): 140-51.
  Gaudeau-Bosma C, Moulier V, Allard AC, Sidhoumi D, Bouaziz N, Braha S, et al. Effect of two weeks of rTMS on brain activity in healthy subjects during an n-back task: A randomized double blind study. Brain Stimulation. 2013; 6(4): 569-75.
  Barr MS, Farzan F, Rajji TK, Voineskos AN, Blumberger DM, Arenovich T, et al. Can repetitive magnetic stimulation improve cognition inschizophrenia? Pilot data from a randomized controlled trial. Biol Psychiatry. 2013; 73(6): 510-7.
  
  Guse B, Falkai P, Gruber O, Whalley H, Gibson L, Hasan A, et al. The effect of long-term high frequency repetitive transcranial magnetic stimulation on working memory in schizophrenia and healthy controls – A randomized placebo-controlled, double-blind fMRI study. Behav Brain Res. 2013; 237: 300-7.
  Pope PA, Miall RC. Restoring cognitive functions using non-invasive brain stimulation techniques in patients with cerebellar disorders. Front Psychiatry. 2014; 5(33): doi: 10.3389/fpsyt.2014.00033
  Argyropoulos GP, Muggleton NG. Effects of Cerebellar Stimulation on Processing Semantic Associations. Cerebellum. 2013; 12(1): 83-96.
  prevents implicit learning acquisition in antidepressant-free patients with major depressive disorder. Prog Neuropsychopharmacol Biol Psychiatry. 2013; 43: 146-50
•  صفحات : 16-25
•   دانلود فایل ( 814 KB )