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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2018
- 2018-09-11 CN CN201811066546.1A patent/CN109344741A/zh active Pending
Patent Citations (8)
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)
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)
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 |