Huonelämpötilan ennustus LM35 -anturin ja koneoppimisen kautta: 4 vaihetta

2024 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2024-01-30 09:01

Johdanto

Tänään keskitymme rakentamaan koneoppimisprojektia, joka ennustaa lämpötilan polynomi -regression avulla.

Koneoppiminen on tekoälyn (AI) sovellus, joka tarjoaa järjestelmille mahdollisuuden automaattisesti oppia ja parantaa kokemusta ilman nimenomaista ohjelmointia.

Polynomi regressio: -polynomi regressio on regressioanalyysin muoto, jossa riippumattoman muuttujan x ja riippuvan muuttujan y välinen suhde mallinnetaan n: nnen asteen polynomiksi x: ssä.

Ennustaminen: -Koneoppiminen on tapa tunnistaa datamallit ja käyttää niitä automaattisesti ennusteiden tai päätösten tekemiseen. … Regressiota varten opit mittaamaan kahden muuttujan välisen korrelaation ja laskemaan parhaiten sopivan rivin ennusteiden tekemiseksi, kun taustalla oleva suhde on lineaarinen.

2. Tässä projektissa käytetyt asiat

Laitteiston osat

1. Naaras/naarashyppyjohdot × (tarpeen mukaan)
2. Leipälauta (yleinen) × 1
3. LM35 -anturi × 1
4. Bolt IoT Bolt WiFi -moduuli × 1

Ohjelmistosovellukset ja verkkopalvelut

1. Bolt IoT Bolt CloudBolt
2. IoT Android -sovellus

Vaihe 1: LM35 -anturin liittäminen pulttiin

Vaihe 1: Pidä anturia siten, että voit lukea siihen kirjoitetun LM35: n.

Vaihe 2: Tunnista tässä asennossa anturin nastat VCC, Output ja Gnd vasemmalta oikealle.

Laitteistokuvassa VCC on kytketty punaiseen johtoon, lähtö on kytketty oranssiin ja Gnd on kytketty ruskeaan johtoon.

Vaihe 3: Liitä uros -naarasjohto LM35: n 3 nastaa Bolt Wifi -moduuliin seuraavasti:

• LM35: n VCC -nasta liitetään Bolt Wifi -moduulin 5 volttiin.
• LM35: n ulostulonappi liitetään Bolt Wifi -moduulin A0 -liittimeen (analoginen tulonasta).
• LM35: n Gnd -nasta yhdistyy Gnd: ään.

Vaihe 2: Lämpötilan ennustaminen

Vaihe 1: Tee samat liitännät kuin "Laitteiston liitännät lämpötilan valvontaan" -näyttö, "Cloud, API and Alerts" -moduulin "Interfacing sensor over VPS" -aiheessa.

Vaihe 2: Käynnistä piiri ja anna sen muodostaa yhteys Bolt Cloudiin. (Pultin vihreän merkkivalon pitäisi palaa)

Vaihe 3: Siirry osoitteeseen cloud.boltiot.com ja luo uusi tuote. Kun luot tuotetta, valitse tuotetyypiksi tulostuslaite ja liitäntätyypiksi GPIO. Kun olet luonut tuotteen, valitse äskettäin luotu tuote ja napsauta sitten konfigurointikuvaketta.

Vaihe 4: Valitse laitteisto -välilehdessä A0 -nastan vieressä oleva valintanappi. Anna nastalle nimi 'temp' ja tallenna kokoonpano Tallenna -kuvakkeen avulla.

Vaihe 5: Siirry koodi -välilehdelle, anna tuotekoodille nimi 'ennustaa' ja valitse koodityypiksi js.

Vaihe 6: Kirjoita seuraava koodi piirtääksesi lämpötilatiedot ja suorittaaksesi polynomi -regressioalgoritmin tiedoille ja tallentaaksesi tuotteen kokoonpanot.

setChartLibrary ('google-kaavio');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('aikaleima', 'lämpötila');

mul (0,0977);

plotChart ('aikaleima', 'lämpötila');

Vaihe 7: Valitse Tuotteet -välilehdessä luotu tuote ja napsauta sitten linkkikuvaketta. Valitse Bolt -laite ponnahdusikkunasta ja napsauta sitten Valmis -painiketta.

Vaihe 8: Napsauta Ota käyttöön kokoonpano -painiketta ja sitten Näytä tämä laite -kuvaketta nähdäksesi suunnittelemasi sivun. Alla on kuvakaappaus lopputuloksesta.

Vaihe 9: Odota noin 2 tuntia, ennen kuin laite lähettää tarpeeksi datapistettä pilveen. Voit sitten napsauttaa ennustuspainiketta nähdäksesi polynomi -regressioalgoritmiin perustuvan ennustuskaavion.