Frequenza ISM

 Con RTL-SDR e' possibile "ascoltare" il traffico ISM su 433.9 MHz 

I pacchetti si possono leggere tramite il plugin di OpenWebRX oppure da linea di comando 

oppure da linea di comando si puo' usare rtl-433

sudo apt install rtl-433 

APRS con CRT Micron

Per prima cosa si programma la radio per l'ascolto su 144.800 MHz

Il secondo passo e' crearsi un cavetto per connettere l'uscita audio  

La via piu' semplice se si vuole solo ricevere e' connettere l'uscita audio della radio sul dietro del dispositivo con la scheda audio tramite un semplice cavo jack audio (il cavo deve andare sul MIC della scheda audio)

Altrimenti se si vuole anche trasmettere si deve scollegare il microfono della radio e crearsi un cavo apposito

Si prende un cavo RJ45 e si taglia

Si prende un jack maschio TRSS (io per semplicita' ho preso un adattatore che permette collegamenti rapidi)

Si deve collegare 

blu -> tip

biancoblu e marrone -> ring 2

verde -> sleeve

a questo punto i collegamenti con la scheda audio sono i seguenti

Da ricordarsi di attivare il VOX sulla radio perche' in questa configurazione non e' gestito il PTT

Si installa il software direwolf

sudo apt install direwolf 

una volta installato Direwolf con Apt si deve copiare il file di configurazione di esempio direwolf.conf.gz da /usr/share/doc/direwolf/conf/ e lo si copia nella propria home e lo di scompatta

si lancia il comando 

arecord -l

e si osserva l'identificativo della scheda di rete e si modifica il file (nel mio caso)

ADEVICE  plughw:1,0

ARATE 48000

a questo punto si lancia direwolf (per me vuole sudo per abilitare il microfono)

Se tutto e' andato a buon fine si ricevono i messaggi APRS come nell'immagine sottostante

Oltre a ricevere e decodificare APRS direwolf permette anche l'invio di pacchetti aprs 

Si modifica direwolf.conf con una stringa simile alla seguente

PBEACON delay=1  every=30 overlay=S symbol="digi" lat=43^46.45N long=011^14.46E power=50 height=20 gain=4 comment="Luca Innocenti Florence (Italy)"

ed in automatico vengono inviati messaggi 

Stereo RTSP stream Oculus Go

Un tentativo di effettuare uno stream video stereo dalla camera verso Oculus GO 

 

Oculus GO ha un supporto estremamente limitato dal punto di vista software per come client di stream video...l'unica soluzione che ho trovato e' stata quella di usare RSTP

prima si crea il server

wget https://github.com/aler9/rtsp-simple-server/releases/download/v0.16.0/rtsp-simple-server_v0.16.0_linux_amd64.tar.gz

tar -xzvf rtsp-simple-server_v0.16.0_linux_amd64.tar.gz

rtspServer=192.168.1.67:rtsp://192.168.1.67:8554/webCamStream ./rtsp-simple-server

dopo con FFMPEG si collega la camera al server

sudo ffmpeg -f v4l2 -framerate 24 -video_size 2560x960 -i /dev/video2 -f rtsp -rtsp_transport tcp rtsp://192.168.1.67:8554/webCamStream

per verificare si puo' usare

ffplay "rtsp://192.168.1.67:8554/webCamStream"

A questo punto ho caricato con Sideload VLC su Oculus GO.

I problemi sono il tempo di lag (abbondantemente sopra il secondo) ed il fatto che non riesco a portare VLC in modalita' fullscreen (solo teatro) e cio' fa perdere ogni speranza di avere una visualizzazione tridimensionale

Contatto ARISS con Quansheng UV/K5

 

Contatto da ISS con scuola Rita Sidoti 24 gennaio 2024 ore 15:37 Firenze

 

Impronte

 Impronte sul M.Ferrato

Impronta di Lupo

Impronta di Tasso

ho trovato anche questo osso che mostra tracce di predazione

Rimozione trend da serie tempo

Una prova per rimuovere la componente stagionale da una serie tempo usando la libreria StatsModels di Python

In alto dati originali. al centro trend, seguend dati periodici stimati ed in basso calcolo dei residui

i

#!/usr/bin/env python

# coding: utf-8

# In[1]:

from IPython.display import display

import numpy as np

import pandas as pd

pd.set_option('display.max_rows', 15)

pd.set_option('display.max_columns', 500)

pd.set_option('display.width', 1000)

import matplotlib.pyplot as plt

from datetime import datetime

from datetime import timedelta

from pandas.plotting import register_matplotlib_converters

from mpl_toolkits.mplot3d import Axes3D

from statsmodels.tsa.stattools import acf, pacf

from statsmodels.tsa.statespace.sarimax import SARIMAX

import statsmodels.api as sm

import statsmodels.formula.api as smf

register_matplotlib_converters()

from time import time

import seaborn as sns

sns.set(style="whitegrid")

from sklearn.preprocessing import StandardScaler

from sklearn.decomposition import PCA

from sklearn.cluster import KMeans

from sklearn.covariance import EllipticEnvelope

import warnings

warnings.filterwarnings('ignore')

RANDOM_SEED = np.random.seed(0)

# # Carica i dati

# In[2]:

def parser(s):

return datetime.strptime(s, '%Y-%m-%d %H:%M:%S')

# In[3]:

#read data

est = pd.read_csv('/home/luca/luca/liscione.csv',sep=";",parse_dates=[0], index_col=0, date_parser=parser,header=0)

print(est)

# In[4]:

est = est.asfreq(freq='1H', method='ffill')

# ### Introduce an Anomaly

# In[5]:

idx = pd.IndexSlice

# In[6]:

start_date = datetime(2023,10,5,0,0,0)

end_date = datetime(2023,12,31,23,59,0)

lim_est = est[start_date:end_date]

# In[7]:

lim_est

# In[8]:

del lim_est['Temp']

# In[9]:

plt.figure(figsize=(10,4))

plt.plot(lim_est)

plt.title('Est', fontsize=20)

plt.ylabel('Est(mm)', fontsize=16)

for year in range(start_date.year,end_date.year):

plt.axvline(pd.to_datetime(str(year)+'-01-01'), color='k', linestyle='--', alpha=0.2)

# ## Seasonal Decompose

# In[10]:

from statsmodels.tsa.seasonal import seasonal_decompose

import matplotlib.dates as mdates

# In[18]:

plt.rc('figure',figsize=(12,8))

plt.rc('font',size=15)

result = seasonal_decompose(lim_est,model='additive')

print(result.trend)

plt.savefig('trend')

fig = result.plot()

fig.savefig('trend.png') # save the figure to file

result.trend.to_csv('/home/luca/tempo.csv', date_format='%Y-%m-%d_%H',sep=";")

# In[12]:

plt.rc('figure',figsize=(12,6))

plt.rc('font',size=15)

fig, ax = plt.subplots()

x = result.resid.index

y = result.resid.values

print(x.size)

ax.plot_date(x, y, color='black',linestyle='--')

ax.set_ylim([-0.7, 0.7])

fig.autofmt_xdate()

plt.savefig('residual')

plt.show()

# In[13]:

temp = est[start_date:end_date]

del temp['Est']

print(temp.index)

temp.index.to_csv('tempo2.csv', date_format='%Y-%m-%d_%H',delimiter=";")

#np.savetxt('tempo.csv',temp.index,delimiter=";")

# In[ ]:

# In[ ]:

fig, ax1 = plt.subplots()

color = 'tab:red'

ax1.set_xlabel('time')

ax1.set_ylabel('Temp', color=color)

ax1.plot(temp, color=color)

ax1.tick_params(axis='y', labelcolor=color)

ax2 = ax1.twinx() # instantiate a second axes that shares the same x-axis

color = 'tab:blue'

ax2.set_ylabel('Est', color=color) # we already handled the x-label with ax1

ax2.plot(result.trend, color=color)

ax2.tick_params(axis='y', labelcolor=color)

plt.savefig('sovrapposto')

plt.show()

# In[ ]:

np.savetxt('trend.csv',result.trend.values,delimiter=";")

np.savetxt('temp.csv',temp.values,delimiter=";")

# In[ ]:

import matplotlib.animation as animation

fig,ax = plt.subplots()

scat = ax.scatter(result.trend.values, temp.values)

plt.gca().invert_xaxis()

ax.set(xlabel='Estensimetro (mm)')

ax.set(ylabel='Temperatura (C)')

def update(i):

scat.set_offsets((result.trend.values[i],temp.values[i]))

return scat,

ani = animation.FuncAnimation(fig,update, repeat=True, frames=len(temp)-1, interval=10)

#writer = animation.PillowWriter(fps=15)

#ani.save('animation.gif',writer=writer)

#plt.savefig('scatterplot')

plt.show()