建模和识别曲线
Modeling and identiying curves
我对传感器（光、湿度等）进行了测量，并得出了统计结果 curves/graphs。当我做同样的实验时，我得到的曲线看起来和以前的一般一样，当然不一样。我想要的是对曲线建模并得出一个方程式，这样当我再次 运行 实验并采用类似的曲线（图形）来表示这是光传感器，或者这是湿度传感器等。问题是我不知道这是否可行，以及从哪里开始。我需要机器学习吗？还有别的吗？谢谢...
您可以使用简单的神经网络来学习如何确定给定测量的传感器类型。要训练神经网络，您需要数据，这意味着您需要收集几十或数百个测量值并标记它们（数据越多，神经网络的预测越准确）
但是，如果给定传感器的测量值非常相似并且在指定范围内，则您实际上并不需要机器学习。您只需要计算您的新测量与哪种类型的传感器最相似。
一种可能的方法是：
对每个 class 传感器采取一些措施
为每个 class 创建一个固定长度的向量，其中包含测量的平均值，例如，如果您的 3 次实验的光传感器测量值如下所示：
[1,4,5,3,8]
[1,3,4,3,7]
[1,3,5,3,6]
然后将其平均为单个向量：
[1, 3.33, 4.66, 3, 7]
当您采取新措施并想要确定它是 class 时，您需要计算每个 class 的平均矢量的新测量的平均绝对误差。误差最小的 class 是使用
我对传感器（光、湿度等）进行了测量，并得出了统计结果 curves/graphs。当我做同样的实验时，我得到的曲线看起来和以前的一般一样，当然不一样。我想要的是对曲线建模并得出一个方程式，这样当我再次 运行 实验并采用类似的曲线（图形）来表示这是光传感器，或者这是湿度传感器等。问题是我不知道这是否可行，以及从哪里开始。我需要机器学习吗？还有别的吗？谢谢...
您可以使用简单的神经网络来学习如何确定给定测量的传感器类型。要训练神经网络，您需要数据，这意味着您需要收集几十或数百个测量值并标记它们（数据越多，神经网络的预测越准确）
但是，如果给定传感器的测量值非常相似并且在指定范围内，则您实际上并不需要机器学习。您只需要计算您的新测量与哪种类型的传感器最相似。
一种可能的方法是：
对每个 class 传感器采取一些措施
为每个 class 创建一个固定长度的向量，其中包含测量的平均值，例如，如果您的 3 次实验的光传感器测量值如下所示：
[1,4,5,3,8]
[1,3,4,3,7]
[1,3,5,3,6]
然后将其平均为单个向量：
[1, 3.33, 4.66, 3, 7]
当您采取新措施并想要确定它是 class 时，您需要计算每个 class 的平均矢量的新测量的平均绝对误差。误差最小的 class 是使用
进行测量的传感器