Lesson 6 感知世界的温暖-温度采集

例程说明:监测当前环境温度。

第一步: 环境搭建

1. 软件环境

请参考《钛极OS(TiJOS)应用开发环境搭建》以及《HelloWorld 第一个钛极OS(TiJOS)应用》搭建环境并创建例程:DS18B20Sample。

2. 硬件环境

例程所需(以TiKit-T600-ESP8266A开发套件为例):

  1. TiKit-T600-ESP8266A开发板;
  2. TIDS18B20模块;
  3. 杜邦线3根;
  4. USB线2根;

Tikit.jpg

使用USB线分别将 TiKit-T600-ESP8266A开发板的两个USB口连接到电脑的USB端口,并使用Ti-Dev Manager查看主板的连接是否正常。当开发板和电脑连接成功后,按下开发板上的Reset键,日志窗口会将当前开发板的BOOT信息打印出来,如下图所示。

TikitConect

注意:为确保Ti-Dev Manager正常识别开发板,请将PC端的串口操作软件关闭,否则可能造成Ti-Dev Manager不能正常识别开发板。

第二步:例程设计

1. 硬件连接

所需硬件资源:TiOWMaster的IO0。

将TiDS18B20用杜邦线连接到TiKit-T600-ESP8266A开发板:

  • GND<------>地(-)
  • IO0 <------>信号线(OUT)
  • 3.3v <------>电源(+)

TikitConectDS18B20.jpg

2. 例程编写

在之前创建的工程DS18B20Sample中新建DS18B20.java文件,并引入以下包:

import java.io.IOException;

import tijos.framework.devicecenter.TiOWMaster;
import tijos.framework.sensor.ds18b20.TiDS18B20;
import tijos.util.Delay;

首先在主类DS18B20中定义main方法,并定义所需要使用的TiOWMaster port以及所需要使用的IO(按照硬件设计所连接的IO编号)。然后创建TiOWMaster 对象ow0并打开需要使用的owIo编号。最后再创建TiDS18B20对象ds18b20并将ow0和owIo0与其绑定。

public class DS18B20 {
    /**
     * 程序入口,由TiJOS调用
     * @param args 入口参数, TiJOS中一直等于null
     */
    public static void main(String[] args) {
        try {
          /*
           * 定义使用的TiOWMaster port
           */
          int owPort0 = 0;
          /*
           * 定义使用的TiOWMaster io
           */
          int owIo0 = 0;
          /*
           * 资源分配,
           * 将owPort0与owIo0分配给TiOWMaster的对象ow0
           */           
          TiOWMaster ow0 = TiOWMaster.open(owPort0, owIo0);
          /*
           * 资源绑定,
           * 创建TiDS18B20对象ds18b20并将ow0和owIo0与其绑定
           */   
          TiDS18B20 ds18b20 = new TiDS18B20(ow0, owIo0);

按照上述步骤将资源分配完成后,就可以使用ds18b20的selectSingle方法,选择外挂单个传感器模式。在循环中使用ds18b20的measure方法每隔1秒(1000ms)测量一次温度,然后通过getTemperature方法获取最近一次测量到的环境温度值并通过打印端口输出。

            /*
            * 资源使用,
            * 选择只有单传感器模式
            * 启动测量并获取温度数据
            */
            ds18b20.selectSingle();
              while (true) {
                try {
                  ds18b20.measure();
                  double temperature = ds18b20.getTemperature();
                  System.out.println("Temperature = " + temperature + " C");

                } catch (IOException e1) {
                  e1.printStackTrace();
                }

                Delay.msDelay(1000);
            }
        } catch (IOException ex) {
            ex.printStackTrace();
        }
    }
}

完整例程代码可参考《TiDS18B20数字温度传感器功能例程》。

第三步:结果演示

将上述例程按照《HelloWorld 第一个钛极OS(TiJOS)应用》中的方法编译并运行,即可在硬件上实现环境温度测量的功能演示。

logcat源码

请参考DS18B20.java

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值