Predviđanje sobne temperature putem LM35 senzora i strojnog učenja: 4 koraka

2024 Autor: John Day | [email protected]. Zadnja promjena: 2024-01-30 09:35

Uvod

Danas smo usredotočeni na izgradnju projekta strojnog učenja koji predviđa temperaturu pomoću polinomske regresije.

Strojno učenje je aplikacija umjetne inteligencije (AI) koja sustavima omogućuje automatsko učenje i poboljšanje iz iskustva bez izričitog programiranja. Strojno učenje usredotočeno je na razvoj računalnih programa koji mogu pristupiti podacima i koristiti ih za učenje.

Polinomska regresija: -polinomijska regresija je oblik regresijske analize u kojoj se odnos između neovisne varijable x i ovisne varijable y modelira kao polinom n-tog stupnja u x.

Predviđanje: -Mašinsko učenje način je identificiranja obrazaca u podacima i njihovo korištenje za automatsko predviđanje ili donošenje odluka. … Za regresiju, naučit ćete kako mjeriti korelaciju između dvije varijable i izračunati liniju koja najbolje pristaje za predviđanja kada je temeljni odnos linearan.

2. Stvari korištene u ovom projektu

Hardverske komponente

1. Žice za žene/žene × (prema potrebi)
2. Oglasna ploča (općenito) × 1
3. LM35 senzor × 1
4. Bolt IoT Bolt WiFi modul × 1

Softverske aplikacije i mrežne usluge

1. Bolt IoT Bolt CloudBolt
2. IoT Android aplikacija

Korak 1: Spajanje osjetnika LM35 na vijak

Korak 1: Držite senzor na način da možete pročitati LM35 napisan na njemu.

Korak 2: U ovom položaju identificirajte pinove senzora kao VCC, izlaz i Gnd s lijeva na desno.

Na slici hardvera, VCC je spojen na crvenu žicu, izlaz je spojen na narančastu žicu, a Gnd je spojen na smeđu žicu.

Korak 3: Pomoću muške i ženske žice spojite 3 pina LM35 na Bolt Wifi modul na sljedeći način:

• VCC pin LM35 spaja se na 5v Bolt Wifi modula.
• Izlazni pin LM35 povezuje se s A0 (analogni ulazni pin) Bolt Wifi modula.
• Gnd pin LM35 spaja se na Gnd.

Korak 2: Predviđanje temperature

Korak 1: Učinite iste veze kao i zaslon "Hardverske veze za nadzor temperature" u temi "Interfejsni senzor preko VPS -a" u modulu "Oblak, API i upozorenja".

Korak 2: Uključite krug i pustite ga da se poveže s oblakom vijaka. (Zelena LED dioda vijka bi trebala svijetliti)

Korak 3: Idite na cloud.boltiot.com i izradite novi proizvod. Prilikom stvaranja proizvoda odaberite vrstu proizvoda kao izlazni uređaj, a vrstu sučelja kao GPIO. Nakon stvaranja proizvoda, odaberite nedavno stvoreni proizvod, a zatim kliknite ikonu za konfiguraciju.

Korak 4: Na kartici hardvera odaberite radio gumb pored pina A0. Dajte pin -u naziv 'temp' i spremite konfiguraciju pomoću ikone 'Save'.

Korak 5: Prijeđite na karticu koda, dajte šifri proizvoda naziv 'predvidi' i odaberite vrstu koda kao js.

Korak 6: Napišite sljedeći kôd za iscrtavanje temperaturnih podataka i pokrenite algoritam polinomske regresije na podacima te spremite konfiguracije proizvoda.

setChartLibrary ('google-chart');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('vremenska oznaka', 'temp');

mul (0,0977);

plotChart ('vremenska oznaka', 'temp');

Korak 7: Na kartici proizvodi odaberite stvoreni proizvod, a zatim kliknite ikonu veze. Odaberite svoj Bolt uređaj u skočnom prozoru, a zatim kliknite gumb 'Gotovo'.

Korak 8: Kliknite gumb "implementacija konfiguracije", a zatim ikonu "pogledaj ovaj uređaj" za prikaz stranice koju ste dizajnirali. Ispod je snimka zaslona konačnog izlaza.

Korak 9: Pričekajte oko 2 sata da uređaj prenese dovoljno podataka u oblak. Zatim možete kliknuti gumb za predviđanje za pregled grafikona predviđanja na temelju algoritma polinomske regresije.