[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

说明书

一种基于分层极限学习机(H_ELM)分类的电子皮肤触觉识别方法，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，触觉数据的采集和处理采用基于张力的方法。分层极限学习机分类处理模式识别部分通过H_ELM网络的训练确定网络参数，再把训练好的网络模型运用到电子皮肤触觉识别中，即可根据输入信号识别触觉信息。本发明的电子皮肤触觉识别方法不仅具有动态性能好，学习速度快，鲁棒性高等优点，算法的同时分层极限学习机的运用提高了识别的精确度，提高了识别反应速度。

技术领域

本发明涉及一种电子皮肤的识别方法，具体的说就是一种基于分层极限学习机分类的电子皮肤触觉识别方法。

背景技术

电子皮肤主要应用于机器人和生物医学系统，其主要功能是传递机械刺激到其下面的传感器阵列，在与外界交互时保护电子系统，获取相关的交互信息并识别相应有效信息，传送到上级处理系统。

目前电子皮肤还处于开发的初级阶段，主要包括材料、传感器和信息处理几大部分集成，它们之间相互影响，其中如何处理大量和高维的触觉信息仍然是一个挑战性的课题。

目前触觉信息处理主要有K-nearest neighbor法、支持向量机法和基于核极限学习机法等。但各种先进算法精度和复杂程度以及对处理器的运算速度都是不同的，因此智能算法的精度、复杂度以及对处理器的运算速度都是需要考虑的问题。

发明内容

技术方案：为了解决上述问题，采用模式识别方法，将分层极限学习机应(H_ELM)用到触觉检测中去，本发明提出的一种基于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个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：