LM35 Sensör ve Makine Öğrenimi ile Oda Sıcaklığı Tahmini: 4 Adım

2024 Yazar: John Day | [email protected]. Son düzenleme: 2024-01-30 13:19

Tanıtım

Bugün, polinom regresyonu yoluyla sıcaklığı tahmin eden bir makine öğrenimi projesi oluşturmaya odaklandık.

Makine öğrenimi, sistemlere açıkça programlanmadan otomatik olarak öğrenme ve deneyimden iyileştirme yeteneği sağlayan bir yapay zeka (AI) uygulamasıdır. Makine öğrenimi, verilere erişebilen ve bunları kendileri için öğrenebilen bilgisayar programlarının geliştirilmesine odaklanır.

Polinom Regresyon: -polinom regresyon, bağımsız değişken x ile bağımlı değişken y arasındaki ilişkinin x'te n'inci dereceden bir polinom olarak modellendiği bir regresyon analizi biçimidir.

Tahmin:-Makine öğrenimi, verilerdeki kalıpları tanımlamanın ve bunları otomatik olarak tahminler veya kararlar almak için kullanmanın bir yoludur. … Regresyon için, iki değişken arasındaki korelasyonu nasıl ölçeceğinizi ve temel ilişki doğrusal olduğunda tahminler yapmak için en uygun çizgiyi nasıl hesaplayacağınızı öğreneceksiniz.

2. Bu projede kullanılan şeyler

Donanım bileşenleri

1. Dişi/Dişi Jumper Telleri×(İhtiyaca göre)
2. Breadboard (genel)×1
3. LM35 sensör×1
4. Bolt IoT Bolt WiFi Modülü×1

Yazılım uygulamaları ve çevrimiçi hizmetler

1. Bolt IoT Bolt CloudBolt
2. IoT Android Uygulaması

Adım 1: LM35 Sensörünün Cıvataya Bağlanması

Adım 1: Sensörü, üzerinde yazan LM35'i okuyabilecek şekilde tutun.

Adım 2: Bu konumda sensörün pinlerini soldan sağa VCC, Output ve Gnd olarak tanımlayın.

Donanım görüntüsünde VCC kırmızı kabloya, Çıkış turuncu kabloya ve Gnd kahverengi kabloya bağlıdır.

Adım 3: Erkek-dişi kablo kullanarak LM35'in 3 pinini Bolt Wifi Modülüne aşağıdaki gibi bağlayın:

• LM35'in VCC pini, Bolt Wifi modülünün 5v'sine bağlanır.
• LM35'in çıkış pini Bolt Wifi modülünün A0'ına (Analog giriş pini) bağlanır.
• LM35'in Gnd pini Gnd'ye bağlanır.

Adım 2: Sıcaklığı Tahmin Etme

Adım 1: 'Bulut, API ve Uyarılar' modülünün 'VPS üzerinden arabirim sensörü' başlığındaki 'Sıcaklık monitörü için donanım bağlantıları' ekranı ile aynı bağlantıları yapın.

Adım 2: Devreye güç verin ve Bolt Cloud'a bağlanmasına izin verin. (Cıvatanın Yeşil LED'i yanmalıdır)

3. Adım: cloud.boltiot.com'a gidin ve yeni bir ürün oluşturun. Ürünü oluştururken Ürün tipini Çıkış Aygıtı ve arayüz tipini GPIO olarak seçin. Ürünü oluşturduktan sonra, en son oluşturulan ürünü seçin ve ardından yapılandır simgesine tıklayın.

Adım 4: Donanım sekmesinde, A0 pininin yanındaki radyo düğmesini seçin. Pine 'temp' adını verin ve 'Kaydet' simgesini kullanarak yapılandırmayı kaydedin.

Adım 5: Kod sekmesine gidin, ürün koduna 'tahmin' adını verin ve kod türünü js olarak seçin.

Adım 6: Sıcaklık verilerini çizmek için aşağıdaki kodu yazın ve veriler üzerinde polinom regresyon algoritmasını çalıştırın ve ürün konfigürasyonlarını kaydedin.

setChartLibrary('google-chart');

setChartTitle('PolynomialRegression');

setChartType('predictionGraph');

setAxisName('time_stamp', 'temp');

mul(0.0977);

plotChart('time_stamp', 'temp');

Adım 7: Ürünler sekmesinde oluşturulan ürünü seçin ve ardından bağlantı simgesine tıklayın. Açılır pencerede Bolt cihazınızı seçin ve ardından 'Bitti' düğmesini tıklayın.

Adım 8: Tasarladığınız sayfayı görüntülemek için 'konfigürasyonu dağıt' düğmesine ve ardından 'bu cihazı görüntüle' simgesine tıklayın. Son çıktının ekran görüntüsü aşağıdadır.

Adım 9: Cihazın Bulut'a yeterli veri noktası yüklemesi için yaklaşık 2 saat bekleyin. Ardından, polinom regresyon algoritmasına dayalı tahmin grafiğini görüntülemek için tahmin düğmesine tıklayabilirsiniz.