[发明专利]一种基于神经网络的六维力矩传感器重力补偿方法及系统

权利要求书

1.一种基于神经网络的六维力矩传感器重力补偿方法，其特征在于，所述方法包括以下步骤：

步骤S100、获取六维力矩传感器的样本集，所述样本集包括训练样本集和测试样本集；所述样本集中的样本包括输入样本、以及与所述输入样本对应的输出样本；

步骤S200、建立广义回归神经网络，使用改进粒子群算法对广义回归神经网络的平滑因子进行优化，得到优化后的广义回归神经网络，所述平滑因子的维数与所述输入样本的维数之比为1:2；

步骤S300、通过所述训练样本集对优化后的广义回归神经网络进行训练，得到训练好的广义回归神经网络；

步骤S400、实时获取六维力矩传感器的输入数据，将采集得到的输入数据输入训练好的广义回归神经网络，得到输出数据，使用所述输出数据对六维力矩传感器检测到的六维数据进行重力补偿；

其中，所述输入样本包括六维力矩传感器的姿态四元数，所述输出样本包括六维力矩传感器在无负载情况下的传感器检测到的六维数据；所述姿态四元数为根据四元数法计算得到的六维力矩传感器的姿态数值，所述六维数据为f_x,f_y,f_z,T_x,T_y,T_z；其中，f_x表示所述六维力矩传感器的在x轴上检测到的力分量，f_y表示所述六维力矩传感器的在y轴上检测到的力分量，f_z表示所述六维力矩传感器的在z上检测到的力分量，T_x表示所述六维力矩传感器的在x轴上检测到的力矩分量，T_y表示所述六维力矩传感器的在y轴上检测到的力矩分量，T_z表示所述六维力矩传感器的在z轴上检测到的力矩分量；

所述步骤S200包括：

步骤S210、建立广义回归神经网络，调整广义回归神经网络中平滑因子的维数，使平滑因子的维数与训练样本集中输入样本的维数之比为1:2；

步骤S220、根据调整后的平滑因子重新建立广义回归神经网络中间层神经元的输出模型；

步骤S230、采用改进粒子群算法对所述平滑因子进行优化，得到优选平滑因子；

步骤S240、根据所述优选平滑因子得到优化后的广义回归神经网络。

2.根据权利要求1所述的一种基于神经网络的六维力矩传感器重力补偿方法，其特征在于，所述步骤S230包括：

步骤S231、将粒子位置的区间范围随机划分为若干个子区域，将每个子区域中的粒子群生成符合正态分布规律的粒子群落，将每个子区域以外的粒子作为随机生成的粒子群落；

步骤S232、使用局部搜索方法确定出全局优选粒子，将所述全局优选粒子作为全局粒子群算法的搜索方向；

步骤S233、构建全局粒子群算法中权重因子的指数衰减公式，使权重因子的变化趋势呈指数衰减；

步骤S234、根据所述权重因子和迭代次数生成全局粒子群算法中学习因子的权重，将所述权重作为全局粒子群算法中学习因子的自变量，建立学习因子的数学模型；所述学习因子包括自我学习因子、社会学习因子以及邻域学习因子；

步骤S235、根据所述学习因子确定全局粒子群算法，对确定好的全局粒子群算法进行训练，得到优选平滑因子。

3.根据权利要求2所述的一种基于神经网络的六维力矩传感器重力补偿方法，其特征在于，步骤S232中，所述使用局部搜索方法确定出全局优选粒子，具体为：

根据粒子间的距离实时调整局部粒子群算法的拓扑半径，所述拓扑半径的大小与粒子间的距离正相关；

以二维坐标系的y轴为界，两端的粒子通过不同旋转方向进行螺旋拓扑；

当使用局部搜索方法迭代计算设定次数时，将该粒子作为全局优选粒子。