CN109344741A - 一种基于振动信号的地形分类方法 - Google Patents

一种基于振动信号的地形分类方法 Download PDF

Info

Publication number
CN109344741A
CN109344741A CN201811066546.1A CN201811066546A CN109344741A CN 109344741 A CN109344741 A CN 109344741A CN 201811066546 A CN201811066546 A CN 201811066546A CN 109344741 A CN109344741 A CN 109344741A
Authority
CN
China
Prior art keywords
landform
classification
classifier
vibration
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811066546.1A
Other languages
English (en)
Inventor
康宇
吕文君
李泽瑞
昌吉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201811066546.1A priority Critical patent/CN109344741A/zh
Publication of CN109344741A publication Critical patent/CN109344741A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明公开了一种基于振动信号的地形分类方法，包括离线训练、在线分类、在线修正三个部分，其优点在于：1)利用贝叶斯滤波器/平滑器能够显著提升地形分类精度；2)通过对平滑结果和分类结果的在线分析，能够筛选出错误分类的振动帧样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；4)平滑‑分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在地形突变时由于惯性导致的低精度问题。

Description

一种基于振动信号的地形分类方法
技术领域
本发明涉及机器学习领域，特别是涉及一种基于振动信号的地形分类方法。
背景技术
行星探测机器人在星球表面移动时会遇到各种地形，保证移动机器人安全地穿越地形、避免处于危险境地十分重要。以前的研究集中于基于激光雷达或视觉传感器的地形识别，这种方法能够识别地形上大的石块、陡坡等障碍物。移动机器人可以检测沟壑、上坡和下坡等地形.这些方法都是为了使机器人避开几何危害，然而地形本身也是有危害的，例如：移动机器人穿越疏松的沙地时可能陷入其中，但穿越压实的土地就没有这样的危险，这些危害称作“非几何危害”。因此，在人有限监督的情况下，移动机器人自治地识别地形的类型，即对地形进行分类，具有重要的意义，它能使机器人采取与地形相适应的驾驶风格，以安全有效地穿越不同的地形。
地形分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，计算必要的评估指标，评估分类模型的性能。
泛化能力是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。训练数据的完整性是决定泛化能力的一个主要因素。在现实中，往往很难在训练阶段将所有可能的样本收集完整，这就需要分类器能够在在线运行中主动进行增量学习，自我调整以达到最大的泛化能力。
发明内容
本发明技术克服现有技术的不足，解决了已有的地形分类器泛化能力不足的问题。
本发明采用的技术方案如下：提出一种基于振动信号的地形分类方法，包括离线训练、在线分类、在线修正三个部分，其中：
一种基于振动信号的地形分类方法，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：
1、离线训练部分
1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；
1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；
1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；
1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器
2、在线预测部分
2.1获取时间t的振动帧，转换得到样本st，利用分类器进行预测，得到地形预测结果
2.2基于2.1获取的地形预测结果yt进行贝叶斯滤波，计算先验概率密度和后验概率密度如下所示：
其中，xt表示时间t的真实地形，可以取{1,2,…,λ}共λ种地形，Yt＝{y1,y2,…,yt}表示从时间1到t的所有地形预测结果，为地形转移概率密度，为分类混淆概率密度，其中，一般可设定
2.3基于2.2获取的后验概率密度可以得到yt的滤波值如下所示：
3、在线校正部分
3.1基于2.2获取的后验概率密度计算先验概率密度和后验概率密度如下所示：
其中，k<t；
3.2基于3.1获取的后验概率密度可以得到yk的平滑值如下所示：
并存储得到平滑值序列其中，τ>0为延迟系数；
3.3基于3.2获取的平滑值序列提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器的校正；同时，对进行统计得到混淆矩阵，用来调整进而隐式地实现了贝叶斯滤波器的校正。
其中，所述的步骤1.4、2.1、3.3所述涉及的分类器为能够进行增量学习的分类器。
其中，所述涉及的分类器为决策树、神经网络、支持向量机。
本发明与现有技术相比，其优点在于：1)利用贝叶斯滤波器/平滑器能够显著提升地形分类精度；2)通过对平滑结果和分类结果的在线分析，能够筛选出错误分类的振动帧样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；3)平滑-分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在地形突变时由于惯性导致的低精度问题。
附图说明
图1为本发明一种基于振动信号的地形分类方法原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图与具体实施例对本发明进行详细说明。
如图1所示，本发明公开了一种基于振动信号的地形分类方法，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：
1、离线训练部分
1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；
1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；
1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；
1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器
2、在线预测部分
2.1获取时间t的振动帧，转换得到样本st，利用分类器进行预测，得到地形预测结果
2.2基于2.1获取的地形预测结果yt进行贝叶斯滤波，计算先验概率密度和后验概率密度如下所示：
其中，xt表示时间t的真实地形，可以取{1,2,…,λ}共λ种地形，Yt＝{y1,y2,…,yt}表示从时间1到t的所有地形预测结果，为地形转移概率密度，为分类混淆概率密度，其中，一般可设定
2.3基于2.2获取的后验概率密度可以得到yt的滤波值如下所示：
3、在线校正部分
3.1基于2.2获取的后验概率密度计算先验概率密度和后验概率密度如下所示：
其中，k<t；
3.2基于3.1获取的后验概率密度可以得到yk的平滑值如下所示：
并存储得到平滑值序列其中，τ>0为延迟系数；
3.3基于3.2获取的平滑值序列提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器的校正；同时，对进行统计得到混淆矩阵，用来调整进而隐式地实现了贝叶斯滤波器的校正。
优选地，步骤1.4、2.1、3.3所涉及的分类器C为能够进行增量学习的分类器；进一步地，这些分类器可以为决策树、神经网络、支持向量机。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (3)

1.一种基于振动信号的地形分类方法，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：
1、离线训练部分
1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；
1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；
1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；
1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器
2、在线预测部分
2.1获取时间t的振动帧，转换得到样本st，利用分类器进行预测，得到地形预测结果
2.2基于2.1获取的地形预测结果yt进行贝叶斯滤波，计算先验概率密度和后验概率密度如下所示：
其中，xt表示时间t的真实地形，可以取{1,2,…,λ}共λ种地形，Yt＝{y1,y2,…,yt}表示从时间1到t的所有地形预测结果，为地形转移概率密度，为分类混淆概率密度，其中，一般可设定
2.3基于2.2获取的后验概率密度可以得到yt的滤波值如下所示：
3、在线校正部分
3.1基于2.2获取的后验概率密度计算先验概率密度和后验概率密度如下所示：
其中，k<t；
3.2基于3.1获取的后验概率密度可以得到yk的平滑值如下所示：
并存储得到平滑值序列其中，τ>0为延迟系数；
3.3基于3.2获取的平滑值序列提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器的校正；同时，对进行统计得到混淆矩阵，用来调整进而隐式地实现了贝叶斯滤波器的校正。
2.如权利要求1所述的一种基于振动信号的地形分类方法，其特征在于，所述的步骤1.4、2.1、3.3所述的分类器为能够进行增量学习的分类器。
3.如权利要求2所述的一种基于振动信号的地形分类方法，其特征在于，所述的分类器为决策树、神经网络、支持向量机。
CN201811066546.1A 2018-09-11 2018-09-11 一种基于振动信号的地形分类方法 Pending CN109344741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811066546.1A CN109344741A (zh) 2018-09-11 2018-09-11 一种基于振动信号的地形分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811066546.1A CN109344741A (zh) 2018-09-11 2018-09-11 一种基于振动信号的地形分类方法

Publications (1)

Publication Number Publication Date
CN109344741A true CN109344741A (zh) 2019-02-15

Family

ID=65305444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811066546.1A Pending CN109344741A (zh) 2018-09-11 2018-09-11 一种基于振动信号的地形分类方法

Country Status (1)

Country Link
CN (1) CN109344741A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956651A (zh) * 2019-12-16 2020-04-03 哈尔滨工业大学 一种基于视觉和振动触觉融合的地形语义感知方法
CN111079705A (zh) * 2019-12-31 2020-04-28 北京理工大学 一种振动信号分类方法
CN117649630A (zh) * 2024-01-29 2024-03-05 武汉纺织大学 一种基于监控视频流的考场作弊行为识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701818A (zh) * 2009-11-05 2010-05-05 上海交通大学 远距离障碍的检测方法
CN101984454A (zh) * 2010-11-19 2011-03-09 杭州电子科技大学 一种基于数据驱动的多源多特征信息融合方法
WO2012004553A1 (en) * 2010-07-06 2012-01-12 Bae Systems Plc Assisting vehicle guidance over terrain
CN103646109A (zh) * 2013-12-25 2014-03-19 武汉大学 一种基于机器学习的空间数据匹配方法
CN104268552A (zh) * 2014-09-04 2015-01-07 电子科技大学 一种基于部件多边形的精细类别分类方法
CN104807639A (zh) * 2015-04-23 2015-07-29 广西大学 一种机车走行部滚动轴承故障诊断方法和装置
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
CN108109162A (zh) * 2018-01-08 2018-06-01 中国石油大学(华东) 一种利用自适应特征融合的多尺度目标跟踪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701818A (zh) * 2009-11-05 2010-05-05 上海交通大学 远距离障碍的检测方法
WO2012004553A1 (en) * 2010-07-06 2012-01-12 Bae Systems Plc Assisting vehicle guidance over terrain
CN101984454A (zh) * 2010-11-19 2011-03-09 杭州电子科技大学 一种基于数据驱动的多源多特征信息融合方法
CN103646109A (zh) * 2013-12-25 2014-03-19 武汉大学 一种基于机器学习的空间数据匹配方法
CN104268552A (zh) * 2014-09-04 2015-01-07 电子科技大学 一种基于部件多边形的精细类别分类方法
CN104807639A (zh) * 2015-04-23 2015-07-29 广西大学 一种机车走行部滚动轴承故障诊断方法和装置
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
CN108109162A (zh) * 2018-01-08 2018-06-01 中国石油大学(华东) 一种利用自适应特征融合的多尺度目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KOMMA P ET AL: "《Adaptive Bayesian Filtering for Vibration-Based Terrain Classification》", 《2009 IEEE OF ROBOTICS AND AUTOMATION》 *
钱玲飞: "《朴素贝叶斯分类器在地形评估中的应用方法》", 《计算机工程与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956651A (zh) * 2019-12-16 2020-04-03 哈尔滨工业大学 一种基于视觉和振动触觉融合的地形语义感知方法
CN111079705A (zh) * 2019-12-31 2020-04-28 北京理工大学 一种振动信号分类方法
CN111079705B (zh) * 2019-12-31 2023-07-25 北京理工大学 一种振动信号分类方法
CN117649630A (zh) * 2024-01-29 2024-03-05 武汉纺织大学 一种基于监控视频流的考场作弊行为识别方法
CN117649630B (zh) * 2024-01-29 2024-04-26 武汉纺织大学 一种基于监控视频流的考场作弊行为识别方法

Similar Documents

Publication Publication Date Title
CN111160474B (zh) 一种基于深度课程学习的图像识别方法
US11429854B2 (en) Method and device for a computerized mechanical device
US10943148B2 (en) Inspection neural network for assessing neural network reliability
Alhussan et al. Pothole and plain road classification using adaptive mutation dipper throated optimization and transfer learning for self driving cars
CN109344741A (zh) 一种基于振动信号的地形分类方法
CN109299732B (zh) 无人驾驶行为决策及模型训练的方法、装置及电子设备
CN109102543A (zh) 基于图像分割的物体定位方法、设备和存储介质
JP2018097807A (ja) 学習装置
Clark et al. A malicious attack on the machine learning policy of a robotic system
CN110119438A (zh) 基于主动学习的机载LiDAR点云滤波方法
CN107909151A (zh) 用于在人工神经网络中实现注意力机制的方法和系统
Nam et al. Predicting trust in human control of swarms via inverse reinforcement learning
Berczi et al. Learning to assess terrain from human demonstration using an introspective gaussian-process classifier
CN105224947A (zh) 分类器训练方法和系统
US20220383736A1 (en) Method for estimating coverage of the area of traffic scenarios
CN108960421A (zh) 改进基于bp神经网络的水面无人艇航速在线预报方法
Zhu et al. A novel odor source localization system based on particle filtering and information entropy
Da Silva et al. Active learning of parameterized skills
CN108844618B (zh) 一种地形感知方法
EP3722906A1 (en) Device motion control
Novitzky et al. Bio-inspired multi-robot communication through behavior recognition
Ramakrishna et al. Risk-aware scene sampling for dynamic assurance of autonomous systems
KR101622748B1 (ko) 입력 이미지로부터 객체를 검출하기 위한 방법, 장치 및 컴퓨터 판독가능 기록매체
CN108981728A (zh) 一种智能车辆导航地图建立方法
CN109190471A (zh) 基于自然语言描述的视频监控行人搜索的注意力模型方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190215