Прогнозирование комнатной температуры с помощью датчика LM35 и машинного обучения: 4 шага

2025 Автор: John Day | [email protected]. Последнее изменение: 2025-01-23 15:05

Вступление

Сегодня мы сосредоточены на создании проекта машинного обучения, который предсказывает температуру с помощью полиномиальной регрессии.

Машинное обучение - это приложение искусственного интеллекта (ИИ), которое дает системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. Машинное обучение фокусируется на разработке компьютерных программ, которые могут получать доступ к данным и использовать их для обучения.

Полиномиальная регрессия: -полиномиальная регрессия - это форма регрессионного анализа, в котором связь между независимой переменной x и зависимой переменной y моделируется как полином n-й степени от x.

Прогнозирование: -Машинное обучение - это способ выявления закономерностей в данных и их использования для автоматического прогнозирования или принятия решений. … Что касается регрессии, вы узнаете, как измерить корреляцию между двумя переменными и вычислить наиболее подходящую линию для прогнозирования, когда лежащая в основе взаимосвязь является линейной.

2. Вещи, использованные в этом проекте

Компоненты оборудования

1. Гнездо / гнездо перемычки × (по необходимости)
2. Макетная плата (универсальная) × 1
3. Датчик LM35 × 1
4. Bolt IoT WiFi-модуль Bolt × 1

Программные приложения и онлайн-сервисы

1. Bolt IoT Bolt CloudBolt
2. Приложение IoT для Android

Шаг 1. Присоединение датчика LM35 к болту

Шаг 1: Держите датчик таким образом, чтобы вы могли прочитать надпись LM35 на нем.

Шаг 2: В этом положении слева направо обозначьте контакты датчика как VCC, Output и Gnd.

На изображении оборудования VCC подключен к красному проводу, выход подключен к оранжевому проводу, а Gnd подключен к коричневому проводу.

Шаг 3: Используя провод «папа-мама», подключите 3 контакта LM35 к модулю Wi-Fi Bolt следующим образом:

• Вывод VCC LM35 подключается к 5 В модуля Bolt Wifi.
• Выходной контакт LM35 подключается к A0 (аналоговый входной контакт) модуля Bolt Wifi.
• Вывод Gnd LM35 подключается к Gnd.

Шаг 2: Прогнозирование температуры

Шаг 1. Выполните те же подключения, что и на экране «Аппаратные подключения для монитора температуры» в теме «Взаимодействие с датчиком через VPS» модуля «Облако, API и предупреждения».

Шаг 2: Включите схему и позвольте ей подключиться к Bolt Cloud. (Зеленый светодиод болта должен гореть)

Шаг 3: Перейдите на cloud.boltiot.com и создайте новый продукт. При создании продукта выберите тип продукта как Устройство вывода и тип интерфейса как GPIO. После создания продукта выберите недавно созданный продукт и щелкните значок настройки.

Шаг 4: На вкладке оборудования выберите переключатель рядом с контактом A0. Дайте контакту имя «temp» и сохраните конфигурацию с помощью значка «Сохранить».

Шаг 5. Перейдите на вкладку кода, дайте коду продукта имя «предсказать» и выберите тип кода js.

Шаг 6. Напишите следующий код для построения графика данных температуры и запуска алгоритма полиномиальной регрессии для данных и сохранения конфигураций продукта.

setChartLibrary ('Google-диаграмма');

setChartTitle ('PolynomialRegression');

setChartType ('predictionGraph');

setAxisName ('отметка_времени', 'темп');

мул (0,0977);

plotChart ('отметка_времени', 'темп');

Шаг 7: На вкладке продуктов выберите созданный продукт и щелкните значок ссылки. Выберите свое устройство Bolt во всплывающем окне и нажмите кнопку «Готово».

Шаг 8: Нажмите кнопку «развернуть конфигурацию», а затем значок «просмотреть это устройство», чтобы просмотреть созданную вами страницу. Ниже приведен снимок экрана с окончательным результатом.

Шаг 9: Подождите около 2 часов, пока устройство загрузит достаточное количество данных в облако. Затем вы можете нажать кнопку прогнозирования, чтобы просмотреть график прогнозирования на основе алгоритма полиномиальной регрессии.