Predikce pokojové teploty pomocí senzoru LM35 a strojového učení: 4 kroky

2024 Autor: John Day | [email protected]. Naposledy změněno: 2024-01-30 08:21

Úvod

Dnes se zaměřujeme na vybudování projektu strojového učení, který předpovídá teplotu pomocí polynomiální regrese.

Strojové učení je aplikace umělé inteligence (AI), která poskytuje systémům schopnost automaticky se učit a zlepšovat ze zkušeností, aniž by byly výslovně naprogramovány. Strojové učení se zaměřuje na vývoj počítačových programů, které mohou přistupovat k datům a využívat je k učení se samy.

Polynomiální regrese: -polynomiální regrese je forma regresní analýzy, ve které je vztah mezi nezávislou proměnnou x a závislou proměnnou y modelován jako polynom n-tého stupně v x.

Predikce:-Strojové učení je způsob identifikace vzorců v datech a jejich použití k automatickému vytváření předpovědí nebo rozhodování. … Pro regresi se naučíte měřit korelaci mezi dvěma proměnnými a vypočítat nejvhodnější linii pro vytváření předpovědí, když je základní vztah lineární.

2. Věci použité v tomto projektu

Hardwarové komponenty

1. Propojovací vodiče žena/žena × (podle potřeby)
2. Breadboard (obecný) × 1
3. Senzor LM35 × 1
4. Bolt IoT Bolt WiFi modul × 1

Softwarové aplikace a online služby

1. Bolt IoT Bolt CloudBolt
2. IoT aplikace pro Android

Krok 1: Připojení senzoru LM35 ke šroubu

Krok 1: Držte senzor takovým způsobem, abyste na něm mohli číst LM35.

Krok 2: V této poloze identifikujte piny senzoru jako VCC, Output a Gnd zleva doprava.

Na obrázku Hardware je VCC připojen k červenému vodiči, výstup je připojen k oranžovému vodiči a Gnd je připojen k hnědému vodiči.

Krok 3: Pomocí kabelu samec -samice připojte 3 piny LM35 k Bolt Wifi modulu následujícím způsobem:

• VCC pin LM35 se připojuje k 5v modulu Bolt Wifi.
• Výstupní pin LM35 se připojuje k A0 (analogový vstupní pin) modulu Bolt Wifi.
• Gnd pin LM35 se připojuje k Gnd.

Krok 2: Předpověď teploty

Krok 1: Proveďte stejná připojení jako na obrazovce „Hardwarová připojení pro monitor teploty“v tématu „Senzor rozhraní přes VPS“v modulu „Cloud, API a výstrahy“.

Krok 2: Zapněte obvod a nechte jej připojit k Bolt Cloud. (Zelená LED dioda šroubu by měla svítit)

Krok 3: Přejděte na cloud.boltiot.com a vytvořte nový produkt. Při vytváření produktu vyberte typ produktu jako výstupní zařízení a typ rozhraní jako GPIO. Po vytvoření produktu vyberte nedávno vytvořený produkt a poté klikněte na ikonu Konfigurovat.

Krok 4: Na kartě hardwaru vyberte přepínač vedle pinu A0. Pinu dejte název „temp“a konfiguraci uložte pomocí ikony „Save“.

Krok 5: Přejděte na kartu kódu, zadejte kódu produktu název „předpovědět“a vyberte typ kódu jako js.

Krok 6: Napište následující kód k vykreslení teplotních dat a spuštění polynomiálního regresního algoritmu na datech a uložení konfigurací produktu.

setChartLibrary ('google-chart');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('time_stamp', 'temp');

mul (0,0977);

plotChart ('time_stamp', 'temp');

Krok 7: Na kartě produkty vyberte vytvořený produkt a poté klikněte na ikonu odkazu. Ve vyskakovacím okně vyberte své zařízení Bolt a poté klikněte na tlačítko 'Hotovo'.

Krok 8: Kliknutím na tlačítko „nasadit konfiguraci“a poté na ikonu „zobrazit toto zařízení“zobrazíte stránku, kterou jste navrhli. Níže je snímek konečného výstupu.

Krok 9: Počkejte asi 2 hodiny, než zařízení nahraje dostatek datových bodů do cloudu. Poté můžete kliknutím na tlačítko předpovědět zobrazit graf predikce založený na polynomiálním regresním algoritmu.