[发明专利]基于纹理表面接触加速度触觉信息的材质分析方法及装置

权利要求书

1.一种基于纹理表面接触加速度信息的材质分析方法，包括以下步骤：

1)材质分类；

划分A大类材质，在每大类材质中选取B类具体物品，再将B类具体物品划分为C类细类材质，共划分得到M＝A×B×C种不同的细类材质；

2)构建训练样本数据集；具体步骤如下：

2-1)任意选取步骤1)确定的一种细类材质所属的具体物品，将该物品摆放平整后，数据采集人员使用振动感受体在该材质表面的随机1个地区进行滑动，滑动轨迹随机，力度范围为0-4N，采集振动感受体在该材质表面滑动时产生的三轴加速度数据，将采集到的三轴加速度数据发送至上位机进行存储，作为该细类材质的一个的训练样本；

2-2)重复2-1)，对步骤2-1)选定的具体物品重复N次数据采集操作，并保存每次操作采集得到的三轴加速度数据，得到该细类材质的N个训练样本；

2-3)重复步骤2-1)至步骤2-2)，对步骤1)确定的所有细类材质所属的具体物品分别采集相应的三轴加速度数据，每种细类材质分别得到N个训练样本，组成所有细类材质的训练样本数据集R_p代表第p个训练样本，P为训练样本数据集中训练样本的数量，P＝M×N个；

3)对训练样本数据集进行处理并提取特征；

3-1)对训练样本数据集中第p个训练样本R_p，该训练样本的三轴加速度数表示为对三轴加速度数据进行合成处理，合成之后得到一维加速度数据具体步骤如下：

3-1-1)首先将三轴加速度数据进行离散傅立叶变换从时域变换到频域，变换之后记为求取复数的幅值的平方和并进行开方处理得到合成一维加速度数据的幅值信息表达式如式(1)所示：

式中，f表示频率；

3-1-2)分别求取复数和的实部和虚部，计算和的实部与虚部的商的反正切得到合成一维加速度数据的相位信息表达式如式(2)所示：

根据式(1)和式(2)的结果，利用幅值信息和相位信息进行反傅立叶变换从频域变换到时域得到一维加速度数据的时域序列

3-2)对步骤3-1)得到的一维加速度数据提取小波包分解各尺度能量特征和功率谱密度特征；具体步骤如下：

3-2-1)对一维加速度数据进行小波包3层分解，尺度为2，提取小波包分解后各尺度能量信息，特征向量长度为2³＝8维；

小波分解过程中，一维加速度数据在希尔伯特空间L²(R)上的2范数定义为：

式中，等价于一维加速度数据在时域的能量；

假设小波包分解后第e层第f个频带的重构信号D_ef对应的能量为E_ef，则有：

式中，Q为一维加速度数据的长度，f＝0,1,2,...,2^e-1,为分解频带的节点；|d_fq|为重构信号D_ef的离散点幅值；

使用分解频带的信号能量百分比作为反映不同材质表面振动加速度性质的特征向量，提取第p个训练样本的小波包分解各频带的信号能量百分比特征向量为X,其中，x_pu表示第p个训练样本信号能量百分比特征向量X的第u维的值，U表示第p个训练样本信号能量百分比特征向量X的维数；

3-2-2)提取一维加速度数据的功率谱密度特征并进行降维处理；

首先对一维加速度数据分段，分段长度为L，共分为λ段，Q为一维加速度数据的长度，得到每段一维加速度数据记为1≤l≤L；令每段一维加速度数据重合一半，对每段一维加速度数据进行加窗处理后，每一段数据的功率谱表达式如下：

式中，为归一化因子，σ表示角频率，γ表示每段一维加速度数据中第γ个数据点；

对λ段功率谱进行平均，得到的功率谱估计表达式如下：

使用主成分分析算法将式(6)得到的功率谱估计特征向量进行降维处理，将降维后的特征向量命名为PCA特征，第p个训练样本的PCA特征向量表示为Y,y_pv表示第p个训练样本的PCA特征向量Y的第v维的值，V表示第p个训练样本的PCA特征向量Y的维数；

3-3)使用典型相关分析算法将步骤3-2-1)得到的特征向量X和步骤3-2-2)得到的特征向量Y进行融合处理，得到第p个训练样本的融合特征向量T_p,其中，t_pw表示融合特征向量T_p的第w维的值，W表示融合特征向量T_p的维数；第p个训练样本的标签向量记为Z_p,z_pm表示标签向量Z_p的第m维的值,标签向量的维数对应训练样本数据集中细类材质的总数，共M维；

3-4)重复步骤3-1)至步骤3-3)，得到所有训练样本对应的融合特征向量，组成所有训练样本的融合特征矩阵Tr,同时得到所有训练样本的标签矩阵

4)使用极限学习机训练前馈神经网络；

4-1)构建前馈神经网络；

前馈神经网络包括输入层、隐含层和输出层三部分，每层包含相应神经元；设输入层包含I个神经元，隐含层包含H个神经元，输出层包含O个神经元，其中输入层神经元的个数I与步骤3-3)中得到的每个训练样本的融合特征向量的维数相等，则I＝W；输出层神经元的个数O与训练样本数据集中材质细类的总数相等，则O＝M；

4-2)将步骤3-4)得到的融合特征矩阵Tr作为前馈神经网络的输入矩阵，表达式如下：

将步骤3-4)得到的标签矩阵Zr作为前馈神经网络的实际输出矩阵，表达式如下：

4-3)使用极限学习机训练前馈神经网络；

输入层和隐含层之间的连接权值ω表示为：

式中，ω_wh表示输入层第w个神经元与隐含层第h个神经元间的连接权值，1≤w≤W,1≤h≤H；

隐含层神经元的偏置b表示为：

式中，b_h表示隐含层第h个神经元的偏置；

选择一个无限可微的函数作为隐含层神经元的激励函数g(t)，隐含层与输出层之间的输出权重β表示为：

得到极限学习机的预测输出矩阵V表达式如下：

式中，ω_h＝[ω_h1,ω_h2,…,ω_hI]，t_p＝[t_1p,t_2p,…,t_Ip]^T；

式(12)简化表示为：

Φβ＝V' (13)

式中，Φ为隐含层输出矩阵，Φ表示为：

4-4)计算输出层的最优权重

使用极限学习机训练前馈神经网络的目的是找到最佳的ω、b和β，使得最小；当激活函数g(t)无限可微时，ω和b训练时随机选择，且在训练过程中保持不变，β通过求解下式的最小二乘解获得：

引入规范化系数来优化计算，获得最优解为表达式如下：

式中，η为规范化系数，E为单位矩阵，Φ为隐含层输出矩阵；前馈神经网络训练完毕；

5)预测分类；

5-1)数据采集人员随机选择1种细类材质所属的具体物品作为测试物品，该物品的材质种类包含在已构建的训练样本数据集中；

5-2)重复步骤2-1)，对步骤5-1)选定的测试物品采集三轴加速度数据作为测试样本；

5-3)重复步骤3-1)至步骤3-3)，对步骤5-1)得到的测试样本进行处理并提取特征，得到该测试样本的的融合特征向量Te,其中，t_ew表示融合特征向量Te的第w维的值；

5-4)将步骤5-3)得到的测试样本的融合特征向量Te输入步骤4)训练完毕的前馈神经网络，前馈神经网络输出该测试样本的预测输出矩阵Ve，该矩阵包含O个输出值，其中最大输出值对应的细类材质即为该待测物品的材质分析结果，记为Pe。

2.一种基于如权利要求1所述方法的材质分析装置，其特征在于，包括：振动感受体、数据采集模块和上位机；其中，数据采集模块包括：微控制器、加速度传感器模块和供电模块；所述振动感受体用于在待分析物品表面进行滑动产生加速度数据，数据采集模块中加速度传感器模块一端连接振动感受体，另一端连接微控制器，微控制器控制加速度传感器模块采集加速度数据；微控制器通过有线或者无线方式连接上位机，将加速度传感器模块采集到的加速度数据发送给上位机；上位机对加速度数据进行处理后实时显示物品的材质分析结果并保存；数据采集模块中的供电模块为微控制器和加速度传感器模块提供工作电源。