Ruumi temperatuuri ennustamine LM35 anduri ja masinõppe kaudu: 4 sammu

2024 Autor: John Day | [email protected]. Viimati modifitseeritud: 2024-01-30 08:48

Sissejuhatus

Täna oleme keskendunud masinõppe projekti loomisele, mis ennustab temperatuuri polünoomi regressiooni kaudu.

Masinõpe on tehisintellekti (AI) rakendus, mis annab süsteemidele võimaluse kogemustest automaatselt õppida ja neid täiustada ilma selgesõnaliselt programmeerimata. Masinõpe keskendub arvutiprogrammide väljatöötamisele, mis võimaldavad andmetele juurde pääseda ja neid ise õppida.

Polünoomne regressioon: -polünoomne regressioon on regressioonianalüüsi vorm, mille puhul sõltumatu muutuja x ja sõltuva muutuja y vahelist seost modelleeritakse n-nda astme polünoomina x-is.

Ennustamine: -Masinaõpe on viis andmete mustrite tuvastamiseks ja nende kasutamiseks ennustuste või otsuste tegemiseks. … Regressiooni jaoks saate teada, kuidas mõõta kahe muutuja vahelist korrelatsiooni ja arvutada kõige sobivam joon ennustuste tegemiseks, kui aluseks olev suhe on lineaarne.

2. Selles projektis kasutatud asjad

Riistvara komponendid

1. Naiste/naiste džemprijuhtmed × (vastavalt vajadusele)
2. Leivalaud (üldine) × 1
3. LM35 andur × 1
4. Bolt IoT Bolt WiFi moodul × 1

Tarkvararakendused ja võrguteenused

1. Bolt IoT Bolt CloudBolt
2. IoT Androidi rakendus

Samm: ühendage LM35 andur poldiga

Samm: hoidke andurit nii, et saaksite lugeda sellele kirjutatud LM35.

2. samm: selles asendis tuvastage anduri tihvtid vasakult paremale VCC, Output ja Gnd.

Riistvarapildil on VCC ühendatud punase juhtmega, väljund on ühendatud oranži juhtmega ja Gnd on ühendatud pruuni juhtmega.

Samm: ühendage isas -naisjuhtme abil LM35 3 tihvti Bolt Wifi mooduliga järgmiselt.

• LM35 VCC tihvt ühendatakse Bolt Wifi mooduli 5 V -ga.
• LM35 väljundpistik ühendatakse Bolt Wifi mooduli A0 -ga (analoogsisendi pin).
• LM35 Gnd -tihvt ühendub Gnd -ga.

2. samm: temperatuuri ennustamine

1. toiming: looge samad ühendused nagu ekraanil „Riistvaraühendused temperatuurimonitori jaoks”, mooduli „Pilv, API ja hoiatused” teemas „Liidesesensor üle VPS”.

Samm: lülitage ahel sisse ja laske sellel Bolt Cloudiga ühenduse luua. (Poldi roheline LED peaks põlema)

Samm: minge saidile cloud.boltiot.com ja looge uus toode. Toote loomisel valige väljundseadmeks tootetüüp ja GPIO -ks liidese tüüp. Pärast toote loomist valige hiljuti loodud toode ja seejärel klõpsake seadistamise ikooni.

Samm: valige riistvara vahekaardil raadionupp A0 tihvti kõrval. Andke tihvtile nimi "temp" ja salvestage konfiguratsioon, kasutades ikooni "Salvesta".

Samm: liikuge vahekaardile kood, andke toote koodile nimi „ennusta” ja valige kooditüüp js.

6. samm. Kirjutage temperatuuriandmete joonistamiseks järgmine kood ja käivitage andmetel polünoomi regressioonialgoritm ning salvestage toote konfiguratsioonid.

setChartLibrary ('google-diagramm');

setChartTitle ('PolynomialRegression');

setChartType ('ennustusgraafik');

setAxisName ('ajatempel', 'temp');

mul (0,0977);

plotChart ('time_stamp', 'temp');

Samm: valige vahekaardil tooted loodud toode ja seejärel klõpsake lingiikooni. Valige hüpikaknas oma Bolt -seade ja seejärel klõpsake nuppu 'Valmis'.

8. samm: kujundatud lehe vaatamiseks klõpsake nuppu „juuruta konfiguratsioon” ja seejärel ikooni „Kuva see seade”. Allpool on ekraanipilt lõplikust väljundist.

Samm: oodake umbes 2 tundi, kuni seade laeb pilve piisavalt andmepunkti. Seejärel saate klõpsata ennustusnupul, et vaadata polünoomi regressioonialgoritmil põhinevat ennustusgraafikut.