فلزیاب BRN

سلام
استادان عزیز و محترم در مدار brn دو قطعه خازن 22p و خازن الکترولیتی 1600uf(غیر از خازن عدسی) در چند فروشگاه اینترنتی که نگاه کردم موجود نبود حالا به جای اینها چی استفاده کنیم که مدار دقیق جواب بدهد .
خصوصا از استاد محترم جناب حمید می خواهم که راهنمایی کند
ممنون

خواهش میکنم.
مقادیر این قطعات اهمیت خاصی ندارن! بجای 1600 میکرو میتونین 2200 میکرو بذارین که بهتر هم هست.
خازنهای 22 پیکو هم که مربوط به کریستال هستن خیلی ضروری نیستن و حتی میتونین نذارین! خود 22 پیکو هم در بازار فراوان یافت میشه چون کاربردیه و مقدار استانداردی هست. بهرحال هر مقداری بین 10 تا 27 پیکو معمولا جواب میده. فقط هر چی گذاشتین جفتش باید یکی باشه.

سلام دوستان من مدارو ساختم.
اهم سیم پیچها ۱.۷ اهم درست کردم قطعات معمولی وباطری ۱۲ ولت هست.
نتیجه تستها در هوا اینجوریه:
لوپ ۴۰ در ۴۰ معمولی با سیم ۶۰
سکه از ۴۰ سانتی
فیبره مسی ۲۰ در ۲۰ از فاصله ۱۲۰ بوق ممتد
سینی استیله ۵۰ سانتی ۲۱۰ بوق ممتد
لوپ ۱ در ۱ متری:
سکه همون ۴۰ سانتی
فیبر مسی ۲۰ در ۲۰ از ۱۷۰ سانتی
سینی استیل ۵۰ سانتی از ۲۶۰ سانتی
من نمیدونم چرا مدار من از دوستان دیگه اینهمه قوی تره.

سلام دوستان
mamad13 جان تبریک میگم و البته نتیجه تستهات خیلی عالیه.
حالا شما ببین چه قطعاتی استفاده کردین ؟
اگه میشه عکسی از مدار و لوپت هم بزار.
یاحق

سلام ممنون بینا جان
بینا جان قطعات معمولی هستن فقط هر لوپی که روش میزارم با مولتی ترنه تنظیمش میکنم .
دسته مهندس حمید درد نکنه که چنین مدار ساده وکاربردی گذاشته تو سایت
فقط ببخشید عکسا بی کیفیتن

mamad13 عزیز خیلی ممنون از شما خسته نباشین.
نتایج تستهای شما خوب و در واقع همون چیزی هست که باید باشه! اگر سایر دوستان جواب ضعیف تری گرفتن مشکل از مدار خودشون بوده وگرنه نتایجی که فرمودین باید در همین حدود جواب بده.

خیلی عالی بود و.اقعا به برد خوبی رسیدید ایا اینم باید لوپش مثل چنس شیلد بشه یا نمی خواد

دوست عزیز از مدارت چند تا عکس خوب بگیر بذار مرسی

سلام دوست عزیز مدارو کاری نکردم فقط باید رو لوپ تمرکز کنید که ۱.۷ اهم در بیاد و با مولتی ترنه به حداکثر بردش برسونیش که به نظر من حتی یکم دیگه جا داشت بردش بیشتر کنم مدارم داخله جعبه نمیتونم عکس از پشتش بگیرم ببخشید ولی من هیچ تغییری تو مدار ندادم.مهنس حمیدم گفت جوابه عادی گرفتم.لوپم شیلد نکنی بهتره چون برد کم میشه.

توجه توجه توجه
با سلام به همه دوستان واساتید محترم
تویه سایت خارجی که درباره همین مدار توضیحاتی داده بود این مطلب را پیدا کردم من از برنامه نویسی هیچی نمیدونم ولی اگه برنامه مربوط به همین مدار هستش از دوستان میخوام در صورت تایید عد از دست کاریهای لازم برنامه را رای ما هم قرار دید تا استفاده کنیم .( تغییرات مربوط ه کاهش فرکانس ) و موارد دیگر ...

[list### Introduction to Probability
### Simulation and Gibbs Sampling
### with R
### Chapter 9


## Example 9.1

# set.seed(1237)
m = 50000 # iterations
PI = numeric(m); PI[1] = .5 # vector for results, initial value
alpha = 1; beta = 1 # parameters of beta prior
eta = .99; theta = .97 # sensitivity; specificity
n = 1000; A = 49; B = n - A # data

for (i in 2:m)
{
num.x = PI[i-1]*eta; den.x = num.x + (1-PI[i-1])*(1 - theta)
X = rbinom(1, A, num.x/den.x)
num.y = PI[i-1]*(1 - eta); den.y = num.y + (1-PI[i-1])*theta
Y = rbinom(1, B, num.y/den.y)
PI[i] = rbeta(1, X + Y + alpha, n - X - Y + beta)
}

aft.brn = seq(m/2 + 1,m)
mean(PI[aft.brn])
quantile(PI[aft.brn], c(.025, .975))

par(mfrow=c(2,1))
plot(aft.brn, PI[aft.brn], type="l")
hist(PI[aft.brn], prob=T)
par(mfrow=c(1,1))


##--(new graphics page)

par(mfrow=c(1,2))
acf(PI, ylim=c(0, .6))
plot(1:m, cumsum(PI)/(1:m), type="l", ylim=c(.016, .024))
par(mfrow=c(1,1))



## Example 9.2

# set.seed(1237)
m = 50000 # iterations
MU = numeric(m); THETA = numeric(m) # sampled values
THETA[1] = 1 # initial value
n = 41; x.bar = 9.6; x.var = 2.73^2 # data
mu.0 = 0; th.0 = 400 # mu priors
alp.0 = 1/2; kap.0 = 1/5 # theta priors

for (i in 2:m)
{
th.up = 1/(n/THETA[i-1] + 1/th.0)
mu.up = (n*x.bar/THETA[i-1] + mu.0/th.0)*th.up
MU[i] = rnorm(1, mu.up, sqrt(th.up))

alp.up = n/2 + alp.0
kap.up = kap.0 + ((n-1)*x.var + n*(x.bar - MU[i])^2)/2
THETA[i] = 1/rgamma(1, alp.up, kap.up)
}

# Bayesian point and probability interval estimates
aft.brn = (m/2 + 1):m
mean(MU[aft.brn]) # point estimate of mu
bi.MU = quantile(MU[aft.brn], c(.025,.975)); bi.MU
mean(THETA[aft.brn]) # point estimate of theta
bi.THETA = quantile(THETA[aft.brn], c(.025,.975)); bi.THETA
SIGMA = sqrt(THETA)
mean(SIGMA[aft.brn]) # point estimate of sigma
bi.SIGMA = sqrt(bi.THETA); bi.SIGMA

par(mfrow=c(2,2))
plot(aft.brn, MU[aft.brn], type="l")
plot(aft.brn, SIGMA[aft.brn], type="l")
hist(MU[aft.brn], prob=T); abline(v=bi.MU, col="red")
hist(SIGMA[aft.brn], prob=T); abline(v=bi.SIGMA, col="red")
par(mfrow=c(1,1))




## Summary Data (To use in program below, comment out program lines
## in which X.bar, X.sd, g, and r are found.)

X.bar = c(91.9, 129.0, 104.1, 75.7, 108.7, 100.2,
62.6, 107.5, 66.7, 129.1, 106.8, 93.4)
X.sd = c( 9.96, 10.07, 4.98, 12.16, 5.06, 10.65,
6.52, 11.05, 9.90, 8.39, 8.99, 8.14)
g = 12; r = 10

## Note: Results on p234 of text are based on set.seed(443)
## and unrounded SDs, and so differ slightly from results
## using the rounded SDs above.


##--

#Assumes matrix X with g rows (batches), r columns (reps),
#Or provide g-vectors of batch means and SDs as the 2nd line.

set.seed(443)
X.bar = apply(X, 1, mean); X.sd = apply(X, 1, sd)
g = dim(X)[1]; r = dim(X)[2] # CORRECTION for compatibility with problems
m = 50000; b = m/4 # iterations; burn-in
MU = VAR.BAT = VAR.ERR = numeric(m)

mu.0 = 0; th.0 = 10^10 # prior parameters for MU
alp.0 = .001; kap.0 = .001 # prior parameters for VAR.BAT
bta.0 = .001; lam.0 = .001 # prior parameters for VAR.ERR
MU[1] = 150; a = X.bar # initial values

for (k in 2:m)
{
alp.up = alp.0 + g/2
kap.up = kap.0 + sum((a - MU[k-1])^2)/2
VAR.BAT[k] = 1/rgamma(1, alp.up, kap.up)

bta.up = bta.0 + r*g/2
lam.up = lam.0 + (sum((r-1)*X.sd^2) + r*sum((a - X.bar)^2))/2
VAR.ERR[k] = 1/rgamma(1, bta.up, lam.up)

mu.up = (VAR.BAT[k]*mu.0 + th.0*sum(a))/(VAR.BAT[k] + g*th.0) #note CORRECTION
th.up = th.0*VAR.BAT[k]/(VAR.BAT[k] + g*th.0) #note CORRECTION
MU[k] = rnorm(1, mu.up, sqrt(th.up))

deno = r*VAR.BAT[k] + VAR.ERR[k]
mu.a = (r*VAR.BAT[k]*X.bar + VAR.ERR[k]*MU[k])/deno
th.a = (VAR.BAT[k]*VAR.ERR[k])/deno
a = rnorm(g, mu.a, sqrt(th.a))
}

mean(MU[b:m]); sqrt(mean(VAR.BAT[b:m])); sqrt(mean(VAR.ERR[b:m]))
bi.MU = quantile(MU[b:m], c(.025,.975))
SIGMA.BAT = sqrt(VAR.BAT); SIGMA.ERR = sqrt(VAR.ERR)
bi.SG.B = quantile(SIGMA.BAT[b:m], c(.025,.975))
bi.SG.E = quantile(SIGMA.ERR[b:m], c(.025,.975))
ICC = VAR.BAT/(VAR.BAT+VAR.ERR);
bi.ICC = quantile(ICC[b:m], c(.025,.975))
bi.MU; bi.SG.B; bi.SG.E; bi.ICC

par(mfrow=c(2,2))
hist(MU[b:m], prob=T); abline(v=bi.MU)
hist(SIGMA.BAT[b:m], prob=T); abline(v=bi.SG.B)
hist(SIGMA.ERR[b:m], prob=T); abline(v=bi.SG.E)
hist(ICC[b:m], prob=T); abline(v=bi.ICC)
par(mfrow=c(1,1))

## ----------



## Problem 9.8 (additional code for program of Example 9.1)


est.d = density(PI[aft.brn], from=0, to=1); mx = max(est.d$y)
hist(PI[aft.brn], ylim=c(0, mx), prob=T, col="wheat")
lines(est.d, col="darkgreen")
median(PI[aft.brn]); est.d$x[est.d$y==mx]



## Problem 9.12

x = c( 8.50, 9.75, 9.75, 6.00, 4.00, 10.75, 9.25, 13.25,
10.50, 12.00, 11.25, 14.50, 12.75, 9.25, 11.00, 11.00,
8.75, 5.75, 9.25, 11.50, 11.75, 7.75, 7.25, 10.75,
7.00, 8.00, 13.75, 5.50, 8.25, 8.75, 10.25, 12.50,
4.50, 10.75, 6.75, 13.25, 14.75, 9.00, 6.25, 11.75, 6.25)
mean(x)
var(x)
shapiro.test(x)

par(mfrow=c(1,2))
boxplot(x, at=.9, notch=T, ylab="x",
xlab = "Boxplot and Stripchart")
stripchart(x, vert=T, method="stack", add=T, offset=.75, at = 1.2)
qqnorm(x)
par(mfrow=c(1,1))



## Problem 9.15 (generate simulated data, use seed shown to get data shown in text)

set.seed(1212)
g = 12 # number of batches
r = 10 # replications per batch
mu = 100; sg.a = 15; sg.e = 9 # model parameters
a.dat = matrix(rnorm(g, 0, sg.a), nrow=g, ncol=r)
# ith batch effect across ith row
e.dat = matrix(rnorm(g*r, 0, sg.e), nrow=g, ncol=r)
# g x r random item variations
X = round(mu + a.dat + e.dat) # integer data
X



## Problem 9.17 (generate simulated data, use seed shown to get data shown)

set.seed(1237)
g = 12; r = 10
mu = 100; sg.a = 1; sg.e = 9
a.dat = matrix(rnorm(g, 0, sg.a), nrow=g, ncol=r)
e.dat = matrix(rnorm(g*r, 0, sg.e), nrow=g, ncol=r)
X = round(mu + a.dat + e.dat)
X.bar = apply(X, 1, mean); X.sd = apply(X, 1, sd)
round(rbind(X.bar, X.sd), 3)



## Problem 9.20 (turnip leaf data in matrix format)

X = matrix(c(3.28, 3.09, 3.03, 3.03,
3.52, 3.48, 3.38, 3.38,
2.88, 2.80, 2.81, 2.76,
3.34, 3.38, 3.23, 3.26), nrow=4, ncol=4, byrow=T)



## Problem 9.21 (dye data in matrix format)

X = matrix(c(1545, 1440, 1440, 1520, 1580,
1540, 1555, 1490, 1560, 1495,
1595, 1550, 1605, 1510, 1560,
1445, 1440, 1595, 1465, 1545,
1595, 1630, 1515, 1635, 1625,
1520, 1455, 1450, 1480, 1445), 6, 5, byrow=T)



## Problem 9.22 (mean vector for plastic data)

X.bar = c(218, 182, 177, 174, 208, 186,
206, 192, 187, 154, 208, 176,
196, 179, 181, 158, 158, 198,
160, 178, 148, 194)



## Problem 9.24 (summary data, as in Example 9.3)

X.bar = c(124.2, 127.8, 119.4, 123.4, 110.6, 130.4, 128.4, 127.6, 122.0, 124.4)
X.sd = c(10.57, 14.89, 11.55, 10.14, 12.82, 9.99, 12.97, 12.82, 16.72, 8.53)

g = 10; r = 5