[发明专利]基于改进的K-means聚类算法的机器人手势识别方法

权利要求书

1.基于改进的K-means聚类算法的机器人手势识别方法，具体步骤如下，其特征在于：

步骤1，利用嵌有微纳光纤传感器的手套采集手部运动的数据，其中传感器采集数据维度为6维；

步骤2，通过手套上的WIFI模块将微纳光纤传感器采集到的数据上传给机器人；

步骤3，机器人结合改进的K-means聚类算法预先确定不同手势对应的聚类中心；

步骤4，计算当前微纳传感器采集的数据至预先确定的不同手势的聚类中心的欧氏距离；

步骤5，将所计算的各欧氏距离与相应类别的阈值进行比较，如果欧式距离比类别阈值低，则判定为该类，否则，重新训练模型；

步骤6，机器人根据判断的结果完成相应的动作，至此，一个完整的闭环结束。

2.根据权利要求1所述的基于改进的K-means聚类算法的机器人手势识别方法，其特征在于：步骤3中利用改进的K-means聚类算法预先确定不同手势对应的聚类中心的具体步骤为：

步骤3.1，在所有的样本点中任意选择一个样本点作为第一个类别的初始聚类中心c₁；

步骤3.2，对于整个训练样本集X＝{x_j|j＝1,2,...,n}，计算每一个样本x至聚类中心的距离，将最大距离对应的样本的所在位置作为新的聚类中心；

步骤3.3，重复步骤3.2，直至确定k个聚类中心c_i(1≤i≤k)；

步骤3.4，对整个训练样本集X＝{x_j|j＝1,2,...,n}，分别计算各样本点x_j到步骤3.3所确定的k个聚类中心c_i(1≤i≤k)的欧式距离，对于s维的样本来说，样本x_j到第i类聚类中心c_i的欧氏距离为：

步骤3.5，将样本分类到最近的欧式距离所在的类别中，遍历整个样本空间后完成对k个类簇的构建；

步骤3.6，对每个类簇，以该簇内所有样本点的均值向量作为新的类簇中心，即类簇的更新准则为：

式中，c_i为更新后的各类簇的中心，m_i表示第i个类簇中样本的总数，表示类簇中所有样本向量的各维度之和。

步骤3.7，重复步骤3.4-步骤3.6，直至平方误差函数收敛或迭代次数达到设定的次数，其中平方误差函数表达式为：

。

3.根据权利要求1所述的基于改进的K-means聚类算法的机器人手势识别方法，其特征在于：步骤5中若实时采集的数据至各聚类中心的欧氏距离比任意的类别阈值大，则重新训练模型的具体描述为：

通过先验知识给实时采集的样本制作标签，然后将该数据带入到已训练完成的模型中对模型进行更新修正：更新各类别的聚类中心和相应的类别阈值。此处模型支持更新优化，大大的提高了模型的泛化性。