Prediksjon av romtemperatur via LM35 -sensor og maskinlæring: 4 trinn

2024 Forfatter: John Day | [email protected]. Sist endret: 2024-01-30 11:23

Introduksjon

I dag er vi fokusert på å bygge et maskinlæringsprosjekt som forutsier temperatur via polynomregresjon.

Maskinlæring er en applikasjon av kunstig intelligens (AI) som gir systemer muligheten til automatisk å lære og forbedre seg fra erfaring uten å bli eksplisitt programmert. Maskinlæring fokuserer på utvikling av dataprogrammer som kan få tilgang til data og bruke den til å lære selv.

Polynomregresjon: -polynomial regresjon er en form for regresjonsanalyse der forholdet mellom den uavhengige variabelen x og den avhengige variabelen y er modellert som et n-graders polynom i x.

Prediksjon: -Maskinlæring er en måte å identifisere mønstre i data og bruke dem til å automatisk gjøre forutsigelser eller beslutninger. … For regresjon vil du lære hvordan du måler korrelasjonen mellom to variabler og beregner en linje som passer best for å gjøre spådommer når det underliggende forholdet er lineært.

2. Ting som brukes i dette prosjektet

Maskinvarekomponenter

1. Kvinnelige/kvinnelige hoppetråder × (etter behov)
2. Brødbrett (generisk) × 1
3. LM35 -sensor × 1
4. Bolt IoT Bolt WiFi -modul × 1

Programvare -apper og online -tjenester

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

Trinn 1: Koble LM35 -sensoren til bolten

Trinn 1: Hold sensoren på en slik måte at du kan lese LM35 skrevet på den.

Trinn 2: I denne posisjonen identifiserer du sensorens pinner som VCC, Output og Gnd fra venstre til høyre.

I maskinvarebildet er VCC koblet til den røde ledningen, Output er koblet til den oransje ledningen og Gnd er koblet til den brune ledningen.

Trinn 3: Koble de tre pinnene på LM35 til mannlig til hunnkabel til Bolt Wifi -modulen som følger:

• VCC -pin på LM35 kobles til 5v på Bolt Wifi -modulen.
• Utgangspinnen til LM35 kobles til A0 (analog inngangspinne) på Bolt Wifi -modulen.
• Gnd -pinnen til LM35 kobles til Gnd.

Trinn 2: Forutsi temperaturen

Trinn 1: Gjør de samme tilkoblingene som "Maskinvaretilkoblinger for temperaturmonitor" -skjermbildet i temaet "Grensesnittsensor over VPS" i modulen "Cloud, API and Alerts".

Trinn 2: Slå på kretsen og la den koble seg til Bolt Cloud. (Den grønne LED -lampen på bolten skal være på)

Trinn 3: Gå til cloud.boltiot.com og lag et nytt produkt. Mens du oppretter produktet, velger du produkttype som Output Device og grensesnitttype som GPIO. Etter at du har opprettet produktet, velger du det nylig opprettede produktet og klikker deretter på konfigureringsikonet.

Trinn 4: I kategorien maskinvare velger du alternativknappen ved siden av A0 -pinnen. Gi pinnen navnet "temp" og lagre konfigurasjonen ved hjelp av "Lagre" -ikonet.

Trinn 5: Gå til kodefanen, gi produktkoden navnet 'forutsi', og velg kodetypen som js.

Trinn 6: Skriv følgende kode for å plotte temperaturdataene og kjøre den polynomiske regresjonsalgoritmen på dataene, og lagre produktkonfigurasjonene.

setChartLibrary ('google-chart');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('time_stamp', 'temp');

mul (0,0977);

plotChart ('time_stamp', 'temp');

Trinn 7: I produktfanen, velg produktet som er opprettet, og klikk deretter på koblingsikonet. Velg Bolt -enheten din i popup -vinduet, og klikk deretter på 'Ferdig' -knappen.

Trinn 8: Klikk på "distribuer konfigurasjon" -knappen og deretter på "vis denne enheten" -ikonet for å se siden du har designet. Nedenfor er skjermbildet av den endelige utgangen.

Trinn 9: Vent i omtrent 2 timer før enheten laster opp nok datapunkt til nettskyen. Du kan deretter klikke på knappen forutsi for å se prediksjonskartet basert på polynomisk regresjonsalgoritme.