Предвиждане на стайна температура чрез сензор LM35 и машинно обучение: 4 стъпки

2024 Автор: John Day | [email protected]. Последно модифициран: 2024-01-30 07:52

Въведение

Днес ние сме фокусирани върху изграждането на проект за машинно обучение, който предсказва температурата чрез полиномиална регресия.

Машинното обучение е приложение на изкуствения интелект (AI), което предоставя на системите възможност за автоматично учене и усъвършенстване от опита, без да е изрично програмирано. Машинното обучение се фокусира върху разработването на компютърни програми, които имат достъп до данните и могат да ги използват за себе си.

Полиномиална регресия: -полиномиалната регресия е форма на регресионен анализ, при която връзката между независимата променлива x и зависимата променлива y се моделира като полином от n-та степен в x.

Предсказване: -Машинното обучение е начин за идентифициране на модели в данните и използването им за автоматично вземане на прогнози или решения. … За регресия ще научите как да измервате корелацията между две променливи и да изчислите най-подходящата линия за прогнози, когато основната връзка е линейна.

2. Нещата, използвани в този проект

Хардуерни компоненти

1. Женски/женски джъмперни проводници × (според нуждите)
2. Макет (общ) × 1
3. LM35 сензор × 1
4. Bolt IoT Bolt WiFi модул × 1

Софтуерни приложения и онлайн услуги

1. Bolt IoT Bolt CloudBolt
2. IoT приложение за Android

Стъпка 1: Свързване на сензора LM35 към болта

Стъпка 1: Дръжте сензора по такъв начин, че да можете да прочетете LM35, написан върху него.

Стъпка 2: В това положение идентифицирайте щифтовете на сензора като VCC, Output и Gnd от ляво на дясно.

В хардуерното изображение VCC е свързан с червения проводник, изходът е свързан с оранжевия проводник, а Gnd е свързан с кафявия проводник.

Стъпка 3: С помощта на мъжки към женски проводник свържете 3 -те пина на LM35 към Bolt Wifi модула, както следва:

• VCC щифт на LM35 се свързва към 5v на модула Bolt Wifi.
• Изходният щифт на LM35 се свързва с A0 (аналогов входен извод) на модула Bolt Wifi.
• Gnd щифт на LM35 се свързва към Gnd.

Стъпка 2: Предсказване на температурата

Стъпка 1: Направете същите връзки като екрана „Хардуерни връзки за мониторинг на температурата“в темата „Свързване на сензора през VPS“на модула „Облак, API и сигнали“.

Стъпка 2: Включете веригата и я оставете да се свърже с облака на болта. (Зеленият светодиод на болта трябва да свети)

Стъпка 3: Отидете на cloud.boltiot.com и създайте нов продукт. Докато създавате продукта, изберете тип продукт като Изходно устройство и тип интерфейс като GPIO. След като създадете продукта, изберете наскоро създадения продукт и след това кликнете върху иконата за конфигуриране.

Стъпка 4: В раздела хардуер изберете бутона за избор до щифта A0. Дайте на пина името „temp“и запазете конфигурацията, като използвате иконата „Save“.

Стъпка 5: Преместете се в раздела с кодове, дайте на кода на продукта името „предсказване“и изберете типа код като js.

Стъпка 6: Напишете следния код, за да начертаете данните за температурата и да стартирате алгоритъма на полиномиална регресия върху данните, и да запишете конфигурациите на продукта.

setChartLibrary ('google-chart');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('time_stamp', 'temp');

мул (0.0977);

plotChart ('time_stamp', 'temp');

Стъпка 7: В раздела продукти изберете създадения продукт и след това щракнете върху иконата за връзка. Изберете вашето Bolt устройство в изскачащия прозорец и след това щракнете върху бутона „Готово“.

Стъпка 8: Щракнете върху бутона „разполагане на конфигурация“и след това върху иконата „преглед на това устройство“, за да видите страницата, която сте проектирали. По -долу е екранната снимка на крайния изход.

Стъпка 9: Изчакайте около 2 часа устройството да качи достатъчно данни в облака. След това можете да кликнете върху бутона за прогнозиране, за да видите графиката за прогнозиране въз основа на алгоритъм на полиномиална регресия.