CN104915509A - 基于神经网络的大变形柔性体动态受力测量信息转换方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的大变形柔性体动态受力测量信息转换方法，属于降落伞测量技术和计算机机器学习领域。该方法应用于大变形柔性体在运动过程中的受力测量，尤其是应用于对降落伞、气垫船等的充气过程中的受力测量信息的转换。其主要步骤如下：步骤1，电压-受力标定；步骤2，对标定数据滤波；步骤3，构建电压-受力函数；步骤4，获取实际环境下的电压数据并滤波；步骤5，建立大变形柔性体动态测量数据转换神经网络；步骤6，使用实际环境下的数据训练神经网络；步骤7，得到转换后的受力信息输出。本发明通过神经网络进行电压-受力信息的转换，计算复杂度低，转换精度高，可以有效应用于大变形柔性体的动态受力测量信息的转换。

Description

基于神经网络的大变形柔性体动态受力测量信息转换方法

技术领域

本发明属于降落伞测量技术和计算机机器学习领域，特别是一种针对大变形柔性体的基于神经网络的动态受力测量方法。

背景技术

目前，对大变形柔性体工作过程中的数学模拟一般基于CFD-MSD(MassSpring Damper Model,质点弹簧阻尼模型)耦合模型。利用计算流体力学和结构动力学的基础知识，进行数值求解，模拟大变形柔性体工作过程中的结构和流场变化情况。虽然这种模型可以较好地反映柔性体所受气动弹性力的情况。但现有的数学模拟方法忽略了很多因素，如织物透气量、弹性系数及阻尼系数的不确定性等。特别是耦合模型是建立在半理论半经验的基础上，织物应力、应变初始参数的设定仅是基于某种假设，模型最终计算结果缺乏真实的实验数据来进行量化验证。

由于神经网络具有并行处理、分布存储、自学习、自适应、高度容错能力等优点，因此广泛应用于拟合、分类、预测、模式识别、信号处理和图像处理等。神经网络模型是的一种很好的建模方法，可有效地将信息空间的数据转换成力学空间的数据，可以缩短建模周期，显著地提高建模精度和泛化能力。比如将BP神经网络应用测试系统的非线性动态补偿中，并取得了较好的补偿转换效果；通过实现一种基于BP神经网络的自适应补偿算法，并将其应用于机械过程控制系统的数据补偿转换问题中，有效的提高了被控非线性系统的稳定性和鲁棒性；针对传感器受环境因素影响的误差，设计基于BP神经网络的FPGA温度、湿度硬件补偿系统，并得到了很好地补偿转换效果等。

目前，国内外现有技术当中尚无将神经网络应用于大变形柔性体动态受力测量的信息转换方法。

发明内容

本发明所解决的技术问题在于提供一种基于神经网络的大变形柔性体动态受力测量信息转换方法，能有效地实现针对大变形柔性体动态受力的转换。

实现本发明目的的技术解决方案为：一种基于神经网络的大变形柔性体动态受力测量信息转换方法，包括如下步骤：

步骤1、使用测量柔性体受力作用的应变传感器在理想环境下对被测柔性体进行电压-受力的标定；

所述理想环境是指温度25℃，压强为1个标准大气压，相对湿度为40％，风速0m/s。

所述测量柔性体受力作用的应变传感器的测量拉力范围为0～1500N，传感器的输出电压范围为0～3.3v，所述标定是指在织物上安装传感器后，在高精度万能材料试验机上进行从0到满负载拉力实验，得到系列传感器/织物对应的电压-受力测量数据。本发明所用的传感器已经在专利《一种测量柔性织物应力作用的应变传感器》中公开，专利号为:201320332161.1。

步骤2、对测量柔性体受力作用的应变传感器获取的测量数据进行滤波处理,所用公式为：

$x_i=\frac{1}{k+1}\underset{j=i*k}{\overset{(i+1)*k}{\Σ}}{x}_j---\left(1\right)$

式中，x_j是理想环境下标定测量的待滤波电压序列，x_i为滤波后的电压序列，k为标定数据滤波的滑动宽度，i、j均为正整数。

步骤3、根据步骤2得到的滤波后应变传感器测量数据构建电压-受力函数,所述电压-受力函数f(x)具体为：

$f\left(x\right)=\underset{i=0}{\overset{d}{\Σ}}{a}_i{x}^i---\left(2\right)$

其中x为自变量电压，d为自然数，表示最高项次数，a_i为第i项的系数，为实数。

步骤4、获取被测对象柔性体在实际环境下工作过程中的受力信息，即应变传感器的电压数据，并对该数据进行滤波处理,对数据进行滤波处理所用公式为：

$x_i^{\′}=\frac{1}{k^{\′}+1}\underset{j=i*k^{\′}}{\overset{(i+1)*k^{\′}}{\Σ}}{x}_j^{\′}---\left(3\right)$

式中，x'_j是在实际环境中测量的待滤波电压序列，x'_i为滤波后的实测电压序列，k'为实测的滤波滑动宽度。

步骤5、根据步骤4滤波后的应变传感器电压数据建立大变形柔性体动态测量数据转换神经网络，该神经网络的输入为传感器的输出电压，期望输出为柔性体的受力信息，

所述大变形柔性体动态测量数据转换神经网络为三层神经网络，包含一个输入层、一个输出层和一个隐层；神经网络的输入为经过滤波处理后的真实场景下传感器采集的电压数据，输出为柔性体的真实受力信息；

所述输入层包括一个输入量，多个输出量，输入量为经过滤波处理后的传感器采集的电压数据，输出量为输入量的恒等映射，输出量的数量与隐层神经元的个数相同；

隐层神经元的个数n_h由自适应控制确定，规律描述公式如下：

其中，n_p为样本数量，隐层包括n_h个输入量，n_h个输出量，输入量为输入层的输出，其激励函数为Chebyshev正交基函数：

$\{\begin{array}{c}{g}_0\left(x\right)=1\\ g_1\left(x\right)=x\\ g_{i+1}\left(x\right)=2{\mathrm{xg}}_i\left(x\right)-g_{i-1}\left(x\right),i=1,2,...,n_h\end{array}---\left(5\right)$

式中，g_i(x)为第i个神经元的激励函数，隐层的输出量为：h_i＝w_ig_i(x_t),i＝1,2,...,n_h,t＝1,2,...,n_p

输出层包括n_h个输入量，一个输出量，输入量为隐层的输出，其激励函数为线性函数，输出层的期望输出为求得的电压-受力函数对应的函数输出，输出量为： $O_t=\underset{i=1}{\overset{n_h}{\Σ}}{w}_i{g}_i\left(x_t\right),t=1,2,...,n_p$

其中，w_i为隐层第i个神经元的权重，x_t为经过滤波处理后的电压，n_p为训练样本数量，n_h为隐层神经元个数，O_t为输出层的输出。

步骤6、采用被测对象在实际环境下工作过程中的受力信息，对大变形柔性体动态测量数据转换神经网络进行训练；

步骤7、使用训练好的大变形柔性体动态测量数据转换神经网络进行电学-力学空间信息转换，得到转换后的大变形柔性体动态测量数据的受力信息输出。

本发明与现有技术相比，其显著优点为：(1)本发明的大变形柔性体基于神经网络模型的动态受力测量信息的转换方法，是一种动态受力测量信息转换方法，使用应变传感器和神经网络模型，可有效减小计算复杂度，缩短建模周期；(2)本发明利用平均滤波处理测量的原始数据，可有效滤除传感器/柔性体在测量过程中受到来自外源的干扰，可提高数据的准确性；(3)本发明利用神经网络良好的非线性函数逼近能力，进行信息空间到力学空间的转换，可有效提高传感器的转换精度；(4)本发明使用优化计算方法来自适应寻找最佳隐含层单元数，可解决设计三层神经网络结构的盲目性，节省了大量的训练时间，具有科学性和实用性。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明的大变形柔性体基于神经网络模型的动态受力测量信息的转换方法流程图。

图2为大变形柔性体转换神经网络的三层结构示意图。

图3为实施例中柔性体材料轧光锦丝格子绸544织物的一组电压-受力标定曲线。

图4为实施例中柔性体材料轧光锦丝格子绸544织物在40m/s风速风洞环境下的受力曲线。

图5为实施例中柔性体材料轧光锦丝格子绸544织物在50m/s风速风洞环境下的受力曲线。

具体实施方式

本发明的一种基于神经网络的大变形柔性体动态受力测量信息转换方法，包括如下步骤：

步骤1、使用测量柔性体受力作用的应变传感器在理想环境下对被测柔性体进行电压-受力的标定；所述理想环境是指温度25℃，压强为1个标准大气压，相对湿度为40％，风速0m/s；测量柔性体受力作用的应变传感器的测量受力范围为0～1500N，传感器的输出电压范围为0～3.3v；所述标定是指在织物上安装传感器后，在万能材料试验机上进行从0到满负载拉力实验，得到该传感器/织物对应的电压-受力测量数据。

步骤2、对测量柔性体受力作用的应变传感器获取的测量数据进行滤波处理；对测量柔性体受力作用的应变传感器获取的测量数据进行滤波处理所用公式为：

$x_i=\frac{1}{k+1}\underset{j=i*k}{\overset{(i+1)*k}{\Σ}}{x}_j$

式中，x_j是理想环境下标定测量的待滤波电压序列，x_i为滤波后的电压序列，k为标定数据滤波的滑动宽度，i、j均为正整数。

步骤3、根据步骤2得到的滤波后应变传感器测量数据构建电压-受力函数；所述电压-受力函数f(x)具体为：

$f\left(x\right)=\underset{i=0}{\overset{d}{\Σ}}{a}_i{x}^i$

其中x为自变量电压，d为自然数，表示最高项次数，a_i为第i项的系数，为实数。

步骤4、获取被测对象柔性体在实际环境下工作过程中的受力信息，即应变传感器的电压数据，并对该数据进行滤波处理；对数据进行滤波处理所用公式为：

$x_i^{\′}=\frac{1}{k^{\′}+1}\underset{j=i*k^{\′}}{\overset{(i+1)*k^{\′}}{\Σ}}{x}_j^{\′}$

式中，x'_j是在实际环境中测量的待滤波电压序列，x'_i为滤波后的实测电压序列，k'为实测的滤波滑动宽度。

步骤5、根据步骤4滤波后的应变传感器电压数据建立大变形柔性体动态测量数据转换神经网络，该神经网络的输入为传感器的输出电压，期望输出为柔性体的受力信息；所述大变形柔性体动态测量数据转换神经网络为三层神经网络，包含一个输入层、一个输出层和一个隐层；神经网络的输入为经过滤波处理后的真实场景下传感器采集的电压数据，输出为柔性体的真实受力信息；

所述输入层包括一个输入量，多个输出量，输入量为经过滤波处理后的传感器采集的电压数据，输出量为输入量的恒等映射，输出量的数量与隐层神经元的个数相同；

隐层神经元的个数n_h由自适应控制确定，规律描述公式如下：

其中，n_p为样本数量，隐层包括n_h个输入量，n_h个输出量，输入量为输入层的输出，其激励函数为Chebyshev正交基函数：

$\left\{\begin{array}{c}{g}_0\left(x\right)=1\\ g_1\left(x\right)=x\\ g_{i+1}\left(x\right)=2{\mathrm{xg}}_i\left(x\right)-g_{i-1}\left(x\right),i=1,2,...,n_h\end{array}\right.$

式中，g_i(x)为第i个神经元的激励函数，隐层的输出量为：

h_i＝w_ig_i(x_t),i＝1,2,...,n_h,t＝1,2,...,n_p

输出层包括n_h个输入量，一个输出量，输入量为隐层的输出，其激励函数为线性函数，输出层的期望输出为求得的电压-受力函数对应的函数输出，输出量为：

$O_t=\underset{i=1}{\overset{n_h}{\Σ}}{w}_i{g}_i\left(x_t\right),t=1,2,...,n_p$

其中，w_i为隐层第i个神经元的权重，x_t为经过滤波处理后的电压，n_p为训练样本数量，n_h为隐层神经元个数，O_t为输出层的输出。

步骤6、采用被测对象在实际环境下工作过程中的受力信息，对大变形柔性体动态测量数据转换神经网络进行训练；

步骤7、使用训练好的大变形柔性体动态测量数据转换神经网络进行电学-力学空间信息转换，得到转换后的大变形柔性体动态测量数据的受力信息输出。

下面进行更详细的描述：

结合图1，本发明是一种基于神经网络的大变形柔性体动态受力测量信息转换方法。首先，利用神经网络模型建立针对大变形柔性体的动态测量信息转换非线性模型；然后采用该模型对真实应用场景中的大变形柔性体工作时的动态测量信息进行转换。包括如下步骤：

步骤1、使用测量柔性体受力作用的应变传感器对被测柔性体进行电压-受力的标定，所述测量柔性体受力作用的应变传感器的测量拉力范围为0～1500N，传感器的输出电压范围为0～3.3v。所述标定是指在织物上安装传感器后，在高精度万能材料试验机上进行从0到满负载拉力实验，得到系列传感器/织物对应的电压-受力测量数据。

步骤2、对测量柔性体受力作用的应变传感器获取的测量数据进行滤波处理。具体为：由于采样的噪声为周期性噪声，采用递推平均滤波，对于传感器电压采样序列{x_j}_{i＝0,1,...,n}中的连续k个数据求和后，再取平均值作为滤波后的结果。{x_i}_{i＝0,1,...,n}为递推滤波后的电压序列，具体公式如下：

$x_i=\frac{1}{k+1}\underset{j=i*k}{\overset{(i+1)*k}{\Σ}}{x}_j---\left(6\right)$

步骤3、根据步骤2得到的滤波后应变传感器测量数据构建电压-受力函数。具体为根据电压-受力测量数据进行多项式拟合，得到形如下式(7)的电压-受力函数，作为神经网络的期望输出：

$f\left(x\right)=\underset{i=0}{\overset{d}{\Σ}}{a}_i{x}^i---\left(7\right)$

其中x为电压自变量，d为最高项次数，a_i为第i项的系数。

步骤4、获取被测对象柔性体在实际环境下工作过程中的受力信息，即应变传感器的电压数据，并对该数据进行滤波处理。对于传感器电压采样序列{x'_j}_{i＝0,1,...,n}中的连续k个数据求和后，再取平均值作为滤波后的结果。{x′_i}_{i＝0,1,...,n}为递推滤波后的电压序列，具体公式如下：

$x_i^{\′}=\frac{1}{k^{\′}+1}\underset{j=i*k^{\′}}{\overset{(i+1)*k^{\′}}{\Σ}}{x}_j^{\′}---\left(8\right)$

步骤5、根据步骤4滤波后的应变传感器电压数据建立大变形柔性体动态测量数据转换神经网络，大变形柔性体动态测量数据转换神经网络为三层神经网络，包含一个输入层、一个输出层和一个隐层。神经网络的输入为经过滤波处理后的真实场景下传感器采集的电压数据，输出为柔性体的真实受力信息。所述输入层包括一个输入量，多个输出量，输入量为经过滤波处理后的传感器采集的电压数据，输出量为输入量的恒等映射。隐层神经元的个数为自适应控制确定，规律描述公式如下：

隐层包括1个输入量，n_h个输出量，输入量为输入层的输出，其激励函数为Chebyshev正交基函数：

$\left\{\begin{array}{c}{g}_0\left(x\right)=1\\ g_1\left(x\right)=x\\ g_{i+1}\left(x\right)=2{\mathrm{xg}}_i\left(x\right)-g_{i-1}\left(x\right),i=1,2,...,n_h\end{array}\right.---\left(10\right)$

式中，g_i(x)为第i个神经元的激励函数。隐层的输出量为：h_i＝w_ig_i(x_t),i＝1,2,...,n_h,t＝1,2,...,n_p

输出层包括n_h个输入量，一个输出量，输入量为隐层的输出，其激励函数为线性函数，输出层的期望输出为补偿后电压信息在步骤3中式(7)所示的电压-受力函数对应的函数输出。输出量为：

$O_t=\underset{i=1}{\overset{n_h}{\Σ}}{w}_i{g}_i\left(x_t\right),t=1,2,...,n_p---\left(11\right)$

上述表达式中，w_i为隐层第i个神经元的权重，x_t为经过滤波处理后的电压，n_p为训练样本数量，n_h为隐层神经元个数，O_t为输出层的输出。

其中隐层神经元数量的自适应推导过程如下：

步骤5.1在大变形柔性体动态测量数据转换神经网络中，隐层层数为1层,假设训练样本数为n_p，输入层神经元个数为n_i，每个隐层神经元个数为n_h，输出层神经元个数为n_o。每个样本的输入电学空间序列为{x_p}(p＝1,2,...,n_p)，期望输出力学空间序列为{y_p}(p＝1,2,...,n_p)。在大变形柔性体动态测量数据转换神经网络学习过程中，要确定未知的权值和阈值，使得每个样本输入电压x_p可通过连接权值、阈值和激活函数的非线性运算，获得一个力学的输出O_p，使总体平均误差函数最小。建立关于给定标准样本的神经网络权值和阈值分析计算的无约束非线性最优化问题模型：min{f(z)},z∈Rⁿ，其中目标函数为网络的均方误差，见式(12)。

$f\left(z\right)=\frac{1}{2*n_p}\underset{p=1}{\overset{n_p}{\Σ}}|y_p-o_p\left(z\right){|}^2---\left(12\right)$

步骤5.2为了求得神经网络的结构，设计变量z＝[z₁,z₂,...,z_n]^T为待求的大变形柔性体动态测量数据转换神经网络的权值和阈值，其中z_i＝[a_i,b_i]，a_i是神经网络的权值，b_i是神经网络的阈值。设变量总维数，即神经元总数量可以表示为式(13)，其中n_i、n_h和n_o分别为该数据转换神经网络的输入层、隐层和输出层神经元数目。

n＝(n_i+n_o)*(n_h+1)       (13)

步骤5.3理想的大变形柔性体动态测量数据转换神经网络的结构应该能自动找到表示权值和阈值的变量z^*，使f(z^*)＝0。其中，z^*为理想情况下的神经网络权值和阈值。实际情况下神经网络优化方法的计算应使得目标函数f(z)获得极小值，满足f(z^*)＜ε，网络结构是合理的。因此式(12)在理想情况下应满足方程组(14)。

$\left.\begin{array}{c}{y}_1-o_1\left(z^{*}\right)=0\\ y_2-o_2\left(z^{*}\right)=0\\ \mathrm{...}\\ y_{np}-o_{np}\left(z^{*}\right)=0\end{array}\right\}---\left(14\right)$

式(14)方程是复杂的非线性超越代数方程组，如果在理论上实现神经网络的目标函数收敛到0，则n_p个样本需要满足超越代数方程的总数为n_a＝n_p*n_o，即神经网络变量的总维度大于等于超越方程的总数。因此根据代数理论，建立关于大变形柔性体动态测量数据转换神经网络隐层单元数量是设计变量的优化问题由式(13)可得如下(15)的约束优化问题：

$\begin{array}{c}\min h\left(n_h\right)=(n_i+n_o)*(n_h+1)-n_p*n_o\\ s.t\left\{\begin{array}{c}{n}_h>0\\ h\left(n_h\right)\≥0\end{array}\right.\end{array}---\left(15\right)$

求解上述约束方程可得到式(16)

$n_h\≥\frac{n_p*n_o}{n_i+n_o}-1---\left(16\right)$

进一步，在式(16)中，在图2所示的神经网络结构中，nⁱ和n_o均为已知，计算可得到大变形柔性体动态测量数据转换神经网络隐层神经元的合理个数见式(17)，因此隐层神经元的合理个数随着训练样本的不同，在该神经网络中可通过式(17)自动计算得到：

步骤6、采用被测对象在实际环境下工作过程中的受力信息，对大变形柔性体动态测量数据转换神经网络进行训练。在本方法中，通过选取部分滤波后的实际测量数据x'_i，对其进行补偿后得补偿后电压数据x″_i，x″_i可根据式(7)得到对应的真实受力y_i＝f(x″_i)，进一步用得到的信息空间到力学空间的实际转换样本(x′_i,y_i)来进行神经网络的训练，逐次计算逼近训练样本，从而求得权值w_i，同时在运算过程中隐层神经元的个数根据式(17)自动计算得到，逐步对大变形柔性体动态测量数据转换神经网络模型求解，最终可确定大变形柔性体动态测量数据转换神经网络结构。具体训练步骤如下：

步骤6.1初始化大变形柔性体动态测量数据转换神经网络，随机选取初始权值w_i(0)，令训练次数计数器k＝0，样本计数器t＝1；并设置学习率、误差和最大训练次数。

步骤6.2根据式(18)，计算输出层神经元输出，式(18)中O_t(k)为第k次训练时神经网络的力学输出信息，w_i(k)为第k次训练时隐层各神经元的权重。

$O_t\left(k\right)=\underset{i=0}{\overset{n_p}{\Σ}}{w}_i\left(k\right)g_i\left(x_t\right)---\left(18\right)$

步骤6.3根据式(19)和(20)计算训练误差，其中e_t为第t个样本的绝对误差，E(k)为第k次训练的方差和：

e_t＝y_t-O_t(k)        (19)

$E\left(k\right)\←E\left(k\right)+0.5e_t^2---\left(20\right)$

步骤6.4根据式(21)进行权值调整：

w_i(k+1)＝w_i(k)+ηe_tg_i(x_t)       (21)

步骤6.5t←t+1，若t＜n_p，则跳回步骤6.2，否则进入步骤6.6

步骤6.6若E(k)≤ε或k大于设置的训练次数，则结束训练，否则t＝1，k←k+1，回到步骤6.2

步骤7，使用训练好的大变形柔性体动态测量数据转换神经网络进行信息空间到力学空间的转换，对转换后的受力数据在大变形柔性体上进行受力输出。

下面结合实施例进行说明：

实施例

使用柔性体材料轧光锦丝格子绸544织物的动态测量做为一个实施例，其具体实施如下：

步骤1：使用应变传感器对轧光锦丝格子绸544织物进行电压-受力标定；

步骤2：对测量轧光锦丝格子绸544织物的应变传感器获取的测量数据进行滤波数据，其中，传感器的采样频率是高精度万能材料试验机的采样频率100倍，故k取100，可使得电压与受力的测量数据一一对应。得到相应的电压-受力曲线见图3；

步骤3：根据步骤1和2得到的测量数据求出相应的电压-受力函数如下:

f(x)＝11.3665x⁵-66.0142x⁴+146.3219x³-113.4386x²+198.6501x+0.8352

步骤4：获取被测柔性体544在40m/s和50m/s风洞实验环境中的电压数据并进行滤波；

步骤5：建立大变形柔性体动态测量数据转换神经网络，其中训练中采用学习率η＝0.05，误差ε＝0.001，最大训练次数为3000次；

步骤6：采用被测对象544织物的实际测量数据，对大变形柔性体动态测量数据转换神经网络进行训练；

步骤7：使用训练好的大变形柔性体动态测量数据转换神经网络进行电学-力学空间信息转换，得到转换后的大变形柔性体动态测量数据的受力信息输出，输出结果可见图4和图5分别为柔性体材料544在40m/s和50m/s风速风洞环境下的受力曲线风速风洞环境下的受力曲线。

由上可知，本发明通过万能材料试验机获得测量数据，采用大变形柔性体动态测量数据转换神经网络进行信息空间到力学空间的转换，计算复杂度低，转换精度高，可有效地应用于大变形柔性体的动态测量数字信息到力学信息的转换。

Claims (6)

1.一种基于神经网络的大变形柔性体动态受力测量信息转换方法，其特征在于，包括如下步骤：

步骤1、使用测量柔性体受力作用的应变传感器在理想环境下对被测柔性体进行电压-受力的标定；

步骤2、对测量柔性体受力作用的应变传感器获取的测量数据进行滤波处理；

步骤3、根据步骤2得到的滤波后应变传感器测量数据构建电压-受力函数；

步骤4、获取被测对象柔性体在实际环境下工作过程中的受力信息，即应变传感器的电压数据，并对该数据进行滤波处理；

步骤5、根据步骤4滤波后的应变传感器电压数据建立大变形柔性体动态测量数据转换神经网络，该神经网络的输入为传感器的输出电压，期望输出为柔性体的受力信息；

步骤6、采用被测对象在实际环境下工作过程中的受力信息，对大变形柔性体动态测量数据转换神经网络进行训练；

步骤7、使用训练好的大变形柔性体动态测量数据转换神经网络进行电学-力学空间信息转换，得到转换后的大变形柔性体动态测量数据的受力信息输出。

2.根据权利要求1所述的基于神经网络的大变形柔性体动态受力测量信息转换方法，其特征在于，步骤1中所述理想环境是指温度25℃，压强为1个标准大气压，相对湿度为40％，风速0m/s；测量柔性体受力作用的应变传感器的测量受力范围为0～1500N，传感器的输出电压范围为0～3.3v；所述标定是指在织物上安装传感器后，在万能材料试验机上进行从0到满负载拉力实验，得到该传感器/织物对应的电压-受力测量数据。

3.根据权利要求1所述的基于神经网络的大变形柔性体动态受力测量信息转换方法，其特征在于，步骤2中对测量柔性体受力作用的应变传感器获取的测量数据进行滤波处理所用公式为：

$x_i=\frac{1}{k+1}\underset{j=i*k}{\overset{(i+1)*k}{\Σ}}{x}_j$

式中，x_j是理想环境下标定测量的待滤波电压序列，x_i为滤波后的电压序列，k为标定数据滤波的滑动宽度，i、j均为正整数。

4.根据权利要求1所述的基于神经网络的大变形柔性体动态受力测量信息转换方法，其特征在于，步骤3中所述电压-受力函数f(x)具体为：

$f\left(x\right)=\underset{i=0}{\overset{d}{\Σ}}{a}_i{x}^i$

其中x为自变量电压，d为自然数，表示最高项次数，a_i为第i项的系数，为实数。

5.根据权利要求1所述的基于神经网络的大变形柔性体动态受力测量信息转换方法，其特征在于，步骤4对数据进行滤波处理所用公式为：

$x_i^{\′}=\frac{1}{k^{\′}+1}\underset{j=i*k^{\′}}{\overset{(i+1)*k^{\′}}{\Σ}}{x}_j^{\′}$

式中，x'_j是在实际环境中测量的待滤波电压序列，x'_i为滤波后的实测电压序列，k'为实测的滤波滑动宽度。

6.根据权利要求1所述的基于神经网络的大变形柔性体动态受力测量信息转换方法，其特征在于，步骤5中所述大变形柔性体动态测量数据转换神经网络为三层神经网络，包含一个输入层、一个输出层和一个隐层；神经网络的输入为经过滤波处理后的真实场景下传感器采集的电压数据，输出为柔性体的真实受力信息；

所述输入层包括一个输入量，多个输出量，输入量为经过滤波处理后的传感器采集的电压数据，输出量为输入量的恒等映射，输出量的数量与隐层神经元的个数相同；

隐层神经元的个数n_h由自适应控制确定，规律描述公式如下：

其中，n_p为样本数量，隐层包括n_h个输入量，n_h个输出量，输入量为输入层的输出，其激励函数为Chebyshev正交基函数：

$\left\{\begin{array}{cc}{g}_0\left(x\right)=1& \\ g_1\left(x\right)=x& \\ g_{i+1}\left(x\right)=2{\mathrm{xg}}_i\left(x\right)-g_{i-1}\left(x\right),& i=1,2,\mathrm{...},n_h\end{array}\right.$

式中，g_i(x)为第i个神经元的激励函数，隐层的输出量为：

h_i＝w_ig_i(x_t),i＝1,2,...,n_h,t＝1,2,...,n_p

输出层包括n_h个输入量，一个输出量，输入量为隐层的输出，其激励函数为线性函数，输出层的期望输出为求得的电压-受力函数对应的函数输出，输出量为：

$O_t=\underset{i=1}{\overset{n_h}{\Σ}}{w}_i{g}_i\left(x_t\right),t=1,2,\mathrm{...},n_p$

其中，w_i为隐层第i个神经元的权重，x_t为经过滤波处理后的电压，n_p为训练样本数量，n_h为隐层神经元个数，O_t为输出层的输出。