Voorspelling van de kamertemperatuur via LM35-sensor en machinaal leren - Ajarnpa
Voorspelling van de kamertemperatuur via LM35-sensor en machinaal leren - Ajarnpa
Anonim
Voorspelling van kamertemperatuur via LM35-sensor en machine learning
Voorspelling van kamertemperatuur via LM35-sensor en machine learning
Voorspelling van kamertemperatuur via LM35-sensor en machine learning
Voorspelling van kamertemperatuur via LM35-sensor en machine learning
Voorspelling van kamertemperatuur via LM35-sensor en machine learning
Voorspelling van kamertemperatuur via LM35-sensor en machine learning

Invoering

Vandaag zijn we gefocust op het bouwen van een machine learning-project dat temperatuur voorspelt via polynomiale regressie.

Machine learning is een toepassing van kunstmatige intelligentie (AI) die systemen de mogelijkheid biedt om automatisch te leren en te verbeteren van ervaring zonder expliciet te worden geprogrammeerd. Machine learning richt zich op de ontwikkeling van computerprogramma's die toegang hebben tot gegevens en deze voor zichzelf kunnen gebruiken.

Polynomiale regressie:-polynomiale regressie is een vorm van regressieanalyse waarbij de relatie tussen de onafhankelijke variabele x en de afhankelijke variabele y wordt gemodelleerd als een n-de graads polynoom in x.

Voorspelling: Machine learning is een manier om patronen in gegevens te identificeren en deze te gebruiken om automatisch voorspellingen of beslissingen te maken. … Voor regressie leert u hoe u de correlatie tussen twee variabelen kunt meten en hoe u een best passende lijn kunt berekenen voor het maken van voorspellingen wanneer de onderliggende relatie lineair is.

2. Dingen die in dit project zijn gebruikt

Hardware onderdelen

  1. Vrouwelijke/vrouwelijke verbindingsdraden× (vanaf behoefte)
  2. Breadboard (generiek)×1
  3. LM35-sensor × 1
  4. Bout IoT Bout WiFi-module × 1

Software-apps en online services

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

Stap 1: De LM35-sensor aansluiten op de bout

De LM35-sensor aansluiten op de bout
De LM35-sensor aansluiten op de bout
De LM35-sensor aansluiten op de bout
De LM35-sensor aansluiten op de bout
De LM35-sensor aansluiten op de bout
De LM35-sensor aansluiten op de bout

Stap 1: Houd de sensor zo vast dat u de LM35 erop kunt lezen.

Stap 2: Identificeer in deze positie de pinnen van de sensor als VCC, Output en Gnd van links naar rechts.

In de hardware-afbeelding is VCC aangesloten op de rode draad, is de uitgang aangesloten op de oranje draad en is Gnd aangesloten op de bruine draad.

Stap 3: Gebruik mannelijk naar vrouwelijk draad om de 3 pinnen van de LM35 als volgt op de Bolt Wifi-module aan te sluiten:

  • VCC-pin van de LM35 maakt verbinding met 5v van de Bolt Wifi-module.
  • Uitgangspen van de LM35 wordt aangesloten op A0 (analoge ingangspen) van de Bolt Wifi-module.
  • Gnd-pin van de LM35 maakt verbinding met de Gnd.

Stap 2: De temperatuur voorspellen

De temperatuur voorspellen
De temperatuur voorspellen
De temperatuur voorspellen
De temperatuur voorspellen

Stap 1: Maak dezelfde verbindingen als het scherm 'Hardwareverbindingen voor temperatuurmonitor', in het onderwerp 'Interfacing sensor over VPS' van de module 'Cloud, API en Alerts'.

Stap 2: Schakel het circuit in en laat het verbinding maken met de Bolt Cloud. (De groene LED van de bout moet branden)

Stap 3: Ga naar cloud.boltiot.com en maak een nieuw product aan. Kies tijdens het maken van het product het producttype als Uitvoerapparaat en het interfacetype als GPIO. Nadat u het product hebt gemaakt, selecteert u het recent gemaakte product en klikt u vervolgens op het configuratiepictogram.

Stap 4: Selecteer op het hardware-tabblad het keuzerondje naast de A0-pin. Geef de pin de naam 'temp' en sla de configuratie op met het 'Save' icoon.

Stap 5: Ga naar het codetabblad, geef de productcode de naam 'predict' en selecteer het codetype als js.

Stap 6: Schrijf de volgende code om de temperatuurgegevens te plotten en voer het polynomiale regressiealgoritme op de gegevens uit en sla de productconfiguraties op.

setChartLibrary('google-chart');

setChartTitle('Polynomiale regressie');

setChartType('predictionGraph');

setAxisName('time_stamp', 'temp');

mul (0,0977);

plotChart('time_stamp', 'temp');

Stap 7: Selecteer op het tabblad Producten het gemaakte product en klik vervolgens op het linkpictogram. Selecteer uw Bolt-apparaat in de pop-up en klik vervolgens op de knop 'Gereed'.

Stap 8: Klik op de knop 'configuratie implementeren' en vervolgens op het pictogram 'bekijk dit apparaat' om de door u ontworpen pagina te bekijken. Hieronder is de schermafbeelding van de uiteindelijke uitvoer.

Stap 9: Wacht ongeveer 2 uur totdat het apparaat voldoende gegevenspunten naar de cloud heeft geüpload. U kunt vervolgens op de voorspellingsknop klikken om de voorspellingsgrafiek te bekijken op basis van het polynomiale regressie-algoritme.

Aanbevolen: