[发明专利]一种基于分层极限学习机分类的电子皮肤触觉模式识别方法

权利要求书

1.一种基于H_ELM分类的触觉模式识别算法，采用分层极限学习机，主要包括信号获取和分层极限学习机分类处理模式识别两个部分；

1)信号获取部分

电子皮肤安装触觉感应阵列，当在外表面任何点接触发生时，应力转化极化电荷，通过电荷-电压放大经过低通滤波输出到模数转换(A/D)电路，A/D将模拟型号转换成数字信号然后进行模式识别；

2)分层极限学习机分类离线学习部分主要实现步骤如下：

步骤一.使用多种物品对触觉单元进行实验，采集相关触觉数据和相应的类别标签

步骤二 离线学习

Step1：确定网络的基本结构和参数

确定分层极限学习机隐含层的层数以及每层隐含层所包含的神经元个数：确定隐含层层数为M，初始化各个隐含层的神经元个数，然后不断增加隐含层节点的个数(隐含层神经元个数小于训练数据个数n)，训练及测试在不同隐含层节点个数下的H_ELM网络的分类准确率，当分类准确率稳定到一定值，且变化幅度很小的时候，所对应的隐含层节点数就是网络所设置节点数，设输入层以及每个隐含层所含的神经元个数分别为L_i，i＝0，1，2，...，M，L₀表示输入层神经元个数，L_M表示最后一层隐藏层神经元个数；

Step2：确定每层的激励函数G，激励函数可选‘sigmoid’‘sine’、‘hardlim’函数等；

Step3：随机生成每层ELM稀疏自编码隐含层的输入权重W_i

W_i，i＝1，2，...，M-1，分别为[-1,1]范围内随机选取的(L_i-1+1)*L_i矩阵

随机生成最后一隐含层权重W_M，W_M为[-1,1]范围内随机选取的(L_M-1+1)*L_M行正交矩阵

Step4:输入数据的特征提取，输入数据的特征提取需要经过M-1层隐含层，通过M-1层不断提取特征值：

X为n*L_o输入矩阵，n为训练数据个数；

I_n*1为n*1的全为1的列向量；

H_i为对第i隐含层输出值添加偏置节点I_n*1的n*(L_i+1)矩阵，i＝0，1，2，...，M-1，其中H₀可看作为输入层的值X添加了偏置节点I_n*1；

A_i为ELM稀疏自编码隐藏层输出值的n*L_i矩阵，i＝1，2，...，M-1；

β_i为第i-1层与第i层之间的(L_i-1+1)*L_i权重矩阵，i＝1，2，...，M-1，其中第0层为输入层；

I_i为第i隐含层输出值的n*L_i矩阵，i＝1，2，...，M；

任意矩阵Z的上标Z^T表示矩阵Z的转置；

H₀＝[X I_n*1] (1)

当i＝1，2，...，M-1，重复执行(2)～(5)

A_i＝H_i-1W_i (2)

由ELM稀疏自编码求解A_iβ_i^T＝H_i-1得到β_i (3)

T_i＝H_u-1β_i (4)

H_i＝[T_i I_n*1] (5)

Step5:最后一层传统极限学习机分类；

T_M＝G(H_M-1W_M) (6)

β_M＝(T_M^T*T_M+D*C)^-1*T_M^T*Y (8)

Y_pre＝T_Mβ_M (9)

Y为n*Lo训练标签矩阵，β_M为最后一层L_M*Lo输出权重矩阵，Lo为输出节点(触觉模式标签)数，D为L_M*L_M的单位对角阵，C为惩罚因子，Y_pre为最终的网络预测触觉模式输出。