مستشعر الأشباح

محلل البيئة تطبيق علمي متقدم يدمج أكثر من 15 مصدر قياس من هاتفك في محرك تحليل واحد، ليعطيك فهماً حياً لما يجري حولك — بصوت، ومجال مغناطيسي، وحركة، وإضاءة، وطاقة راديوية. كيف يعمل؟ 1. الاستشعار اللحظي — يجمع التطبيق قراءات البوصلة المغناطيسية والتسارع والجايروسكوب والضغط الجوي والإضاءة والميكروفون والكاميرا وشبكات Wi-Fi وأجهزة Bluetooth وحرارة الجهاز والموقع الجغرافي، كل 100 جزء من الثانية. 2. التعلم الذكي — خلال دقائق المعايرة الأولى، يبني التطبيق "خط أساس" لبيئتك الطبيعية: كم الديسيبل المعتاد في غرفتك؟ وما مدى المجال المغناطيسي في شارعك؟ 3. كشف الشذوذ — بعد التعلم، يقارن كل قراءة جديدة بخط الأساس، ويحسب درجة شذوذ لكل مصدر، ثم يدمجها في مؤشر واحد من 0 إلى 10. عند تجاوز الحد، يسجل حدثاً كاملاً بالوقت والموقع واللقطة والقيم. 4. التوثيق والتحليل — استعرض الأحداث على الخريطة، وراقب الرسوم البيانية الحية لأي مستشعر، وصدّر تقرير PDF أو CSV أو JSON للتوثيق. الاستخدامات - توثيق الضوضاء والإزعاج السمعي بأرقام موثقة - رصد الاهتزازات والحركة أثناء سفرتك أو ترك أمتعتك - فحص بيئة العمل والمنزل (إضاءة، ضغط، حرارة) - مراقبة المجال المغناطيسي وكشف الأجسام المعدنية الكبيرة - اكتشاف تغيرات غير معتادة في محيطك ليلاً - مشروعات بحثية وتعليمية لطلاب الفيزياء والهندسة المميزات - مؤشر بيئي عام مباشر مع تنبيهات صوتية واهتزازية - رسم بياني حي لكل مستشعر على حدة - تحليل طيفي للصوت FFT مع كشف التردد المهيمن - تحليل بصري: الحركة، الحواف، التشويش، التدفق البصري - عمل في الخلفية مع إشعار دائم قابل للتحكم - تصدير تقارير احترافية ومشاركة بنقرة واحدة - واجهة عربية كاملة ودعم RTL نزاهة علمية يعمل التطبيق فقط بما يستطيع عتاد الهاتف قياسه فعلاً، ونوضح ذلك بشفافية: قراءات الصوت تقديرية غير معايرة مخبرياً، وبعض المستشعرات قد لا تتوفر في كل الأجهزة (كالرطوبة). لا يدعي التطبيق رؤية ما لا يمكن لكاميرا الهاتف رؤيته. الخصوصية أولاً مبني على شبكة عصبية Autoencoder حقيقية بلغة Kotlin تعمل وتتدرب على الجهاز نفسه أثناء المعايرة، مع إبقاء مسار TFLite لأي نموذج خارجي مستقبلًا. يفحص طريقة استدعاء المصنّف شبكة Autoencoder كاملة بلغة Kotlin يتدرب ذاتيًا على الجهاز مع بقاء دعم TFLite سليمًا الشبكة العصبية (AutoencoderNet): معمارية 12 ← 8 ← 3 ← 8 ← 12 — عنق الزجاجة (3 أبعاد) يجبرها على استيعاب «جوهر البيئة الطبيعية» لديك تنفيذ كامل للانتشار الأمامي والخلفي (Backpropagation) يدويًا، تهيئة Xavier، بذرة ثابتة كل إطار تحليل = عينة تدريب (~10 عينات/ثانية) آلية كشف الشذوذ: خطأ إعادة البناء = مقياس الشذوذ (الشبكة تعيد بناء «الطبيعي» جيدًا ويفشل في «غير الطبيعي») يُطبَّع الخطأ إحصائيًا (متوسط/انحراف Welford) ثم logistic عند 2σ → درجة 0–10 حماية من تعلم الأشباح: الإطارات عالية الخطأ تتدرب بمعدل تعلم أخف 20× حتى لا «يعتاد» على الكيان! انتقال ذكي بثلاث طبقات في AnomalyClassifier: TFLite ← الشبكة العصبية ← الدمج الإحصائي بعد 500 إطار: تبدأ الثقة بالانتقال التدريجي للشبكة العصبية بعد 1500 إطار: ثقة كاملة بها (والإحصائي يبقى شبكة أمان) عمليًا لك: ابدأ مطاردة → خلال المعايرة (3 دقائق) تتدرب الشبكة على بيتك → بعدها أي انحراف عن «بصمة بيئتك الفريدة» يرصد بدقة أعلى وأذكى من المعادلات الثابتة. كما جهزت persist()/restore() لحفظ أوزان الشبكة مستقبلًا بين الجلسات. كل المعالجة والتحليل يتم داخل جهازك بالكامل . لا حسابات، لا خوادم، لا إرسال بيانات — خرائط OpenStreetMap العامة فقط لعرض مواقع الأحداث.