Szobahőmérséklet -előrejelzés az LM35 érzékelő és a gépi tanulás segítségével: 4 lépés

2024 Szerző: John Day | [email protected]. Utoljára módosítva: 2024-01-30 09:41

Bevezetés

Ma egy gépi tanulási projekt felépítésére összpontosítunk, amely polinomiális regresszión keresztül jósolja a hőmérsékletet.

A gépi tanulás a mesterséges intelligencia (AI) alkalmazása, amely lehetővé teszi a rendszerek számára, hogy automatikusan tanuljanak és fejlődjenek a tapasztalatokból, anélkül, hogy kifejezetten programoznák őket. A gépi tanulás olyan számítógépes programok fejlesztésére összpontosít, amelyek hozzáférhetnek az adatokhoz és felhasználhatják azokat saját maguk számára.

Polinomiális regresszió: -polinomiális regresszió a regresszióanalízis egyik formája, amelyben az x független változó és a függő y változó közötti kapcsolatot n-edik fokú polinomként modellezzük az x-ben.

Jóslás: -A gépi tanulás egy módja annak, hogy azonosítsuk az adatmintákat, és ezek segítségével előrejelzéseket vagy döntéseket hozzunk. … A regresszióhoz megtanulhatja, hogyan kell mérni a két változó közötti korrelációt, és kiszámítani a legjobban illeszkedő vonalat az előrejelzésekhez, amikor az alapul szolgáló kapcsolat lineáris.

2. A projektben használt dolgok

Hardver alkatrészek

1. Női/női jumper vezetékek × (szükség szerint)
2. Kenyeretábla (általános) × 1
3. LM35 érzékelő × 1
4. Bolt IoT Bolt WiFi modul × 1

Szoftveralkalmazások és online szolgáltatások

1. Bolt IoT Bolt CloudBolt
2. IoT Android alkalmazás

1. lépés: Az LM35 érzékelő csatlakoztatása a csavarhoz

1. lépés: Tartsa úgy az érzékelőt, hogy el tudja olvasni a ráírt LM35 -öt.

2. lépés: Ebben a helyzetben balról jobbra azonosítsa az érzékelő csapjait VCC, Output és Gnd.

A hardver képen a VCC a piros vezetékhez, a kimenet a narancssárga vezetékhez és a Gnd a barna vezetékhez van csatlakoztatva.

Lépés: Csatlakoztassa a dugasz -hüvely vezetéket az LM35 3 érintkezőjét a Bolt Wifi modulhoz az alábbiak szerint:

• Az LM35 VCC csapja a Bolt Wifi modul 5 voltához csatlakozik.
• Az LM35 kimeneti csapja a Bolt Wifi modul A0 (analóg bemeneti csapja) csatlakozik.
• Az LM35 Gnd -csapja a Gnd -hez csatlakozik.

2. lépés: A hőmérséklet előrejelzése

1. lépés: Hozza létre ugyanazokat a kapcsolatokat, mint a „Hardvercsatlakozások a hőmérsékletfigyelőhöz” képernyőn, a „Felhő, API és figyelmeztetések” modul „Interfészérzékelő VPS felett” témakörében.

2. lépés: Kapcsolja be az áramkört, és hagyja, hogy csatlakozzon a Bolt Cloudhoz. (A csavar zöld LED -jének világítania kell)

3. lépés: Nyissa meg a cloud.boltiot.com webhelyet, és hozzon létre egy új terméket. A termék létrehozása során válassza ki a terméktípust kimeneti eszközként, és az interfész típusát GPIO -ként. A termék létrehozása után válassza ki a legutóbb létrehozott terméket, majd kattintson a konfiguráció ikonra.

4. lépés: A hardver lapon válassza ki az A0 érintkező melletti választógombot. Adja meg a tűnek a „temp” nevet, és mentse el a konfigurációt a „Mentés” ikon segítségével.

5. lépés: Lépjen a kódlapra, adja meg a termékkódnak az „előrejelzés” nevet, és válassza ki a kódtípust js -ként.

6. lépés: Írja be a következő kódot a hőmérsékleti adatok ábrázolásához, és futtassa a polinomiális regressziós algoritmust az adatokon, és mentse a termékkonfigurációkat.

setChartLibrary ('google-diagram');

setChartTitle ('Polinomiális regresszió');

setChartType ('predictionGraph');

setAxisName ('time_stamp', 'temp');

mul (0,0977);

plotChart ('time_stamp', 'temp');

7. lépés: A termékek lapon válassza ki a létrehozott terméket, majd kattintson a link ikonra. Válassza ki a Bolt eszközt a felugró ablakban, majd kattintson a „Kész” gombra.

8. lépés: Kattintson a "konfiguráció telepítése" gombra, majd az "eszköz megtekintése" ikonra az Ön által tervezett oldal megtekintéséhez. Az alábbiakban a végső kimenet képernyőképe látható.

9. lépés: Várjon körülbelül 2 órát, amíg az eszköz elegendő adatpontot tölt fel a felhőbe. Ezután az előrejelzés gombra kattintva megtekintheti a polinomiális regressziós algoritmuson alapuló előrejelzési grafikont.