[发明专利]一种基于卷积神经网络和迁移学习的智能设备振动通信方法

权利要求书

1.一种基于卷积神经网络和迁移学习的智能设备振动通信方法，所述智能设备包括发送端和接收端，其特征是：包括以下步骤：

步骤1：对智能设备的发送端进行振动信号的比特流分组调制发送；

所述步骤1具体为：

步骤1.1：比特流数据分组形成比特位组，进行比特流分组操作，将比特流数据分割成固定大小的比特位组，每4个比特数据作为一个比特位组，智能设备的发送端选择传输最短的单个符号长度来提高传输速率；

步骤1.2：进行比特位组振动编码，智能设备的发送端将比特位组转换为振动信号来传输，其中，单个符号长度为15ms，当发送1，则包含10ms的空闲状态和5ms的振动状态，当发送0则15ms全为空闲状态；

步骤1.3：在每4位比特位组的末尾附加了一个40ms的冷却时间，使得振动电机减速至平静状态；智能设备的发送端在比特位组传输的开始处放置一个特殊的信标位，让接收设备接收整个振动消息的起点，信标位让振动电机持续振动30ms，让电机达到最大振动幅，随后切换至70ms的空闲状态，让振动电机充分冷静；

步骤2：对智能设备的接收端进行振动起点的确定，采用信标位检测算法，并获取原始三轴加速度计信号；

步骤3：对接收端三轴加速度计信号进行主成分特征提取，去除信号噪声；

步骤4：对主成分分析特征提取后的加速度信号进行卷积神经网络解码，得到比特位组对应的符号标签；

步骤5：当通信环境发生改变时，进行迁移学习，提高振动信号识别准确率。

2.根据权利要求1所述的一种基于卷积神经网络和迁移学习的智能设备振动通信方法，其特征是：所述步骤2具体为：

采用信标位检测算法，对智能设备的接收端找到数据传输的起点进行振动解码；信标位检测算法使用三轴加速度计幅值的平方和梯度来寻找起始点，根据信标位和两个含有冷却期的4位比特位组的梯度的绝对值，采用的时间窗长度为100ms，步长为5ms，通过计算滑动窗口的前半部分和后半部分梯度的平均值得到滑动窗口内空闲期的基线值BS_idle和振动期的基线值BS_vib；

根据BS_idle和BS_vib来判断时间窗口的中间是否是振动的起始点，当时间窗中点的梯度绝对值大于BS_idle，那么此时时间窗中点被标记为振动候选点。

3.根据权利要求2所述的一种基于卷积神经网络和迁移学习的智能设备振动通信方法，其特征是：还应当考虑振动的生命周期，即判断BS_vib是否大于BS_idle，即判断当前梯度值的增加是否是持续了一段时间且具有较高的能量，如果满足上述条件时，则当前时间窗口内的中点是振动的起点。

4.根据权利要求1所述的一种基于卷积神经网络和迁移学习的智能设备振动通信方法，其特征是：所述步骤3具体为：

步骤3.1：利用主成分分析来提取其特征，S∈R^M×N是100ms的加速度计片段，M＝3代表加速度计的三个轴，N代表每个轴采集的N个数据点，当采样率为200Hz时N＝20，主成分分析算法找到一个投影矩阵φ∈R^M×m，将原始数据矩阵投影到一个低纬度的表示，F_v∈R^N使得投影值尽可能的分散即方差最大，在计算投影矩阵前，原始数据必须进行零均值化，即去中心化，数据矩阵每一行减去均值得到中心化的矩阵如下：

其中，i是S矩阵的列索引；

步骤3.2：采取矩阵的分解方法特征值分解EVD，来计算矩阵的特征向量和特征值，通过下式表示矩阵的特征向量和特征值：

其中，对角线E_ordered是特征值的降序排列，φ的列向量包含了特征值对应的特征向量；

步骤3.3：将原始数据矩阵投影到特征空间F，F∈R^m×N的第一行F_v对应了E_ordered中的最大特征值，保留了原始信号的最大信息；F中的两行被丢弃，包含了信号最少的信息。