CN109446476B - 一种多模式传感器信息解耦方法 - Google Patents

一种多模式传感器信息解耦方法 Download PDF

Info

Publication number
CN109446476B
CN109446476B CN201811133877.2A CN201811133877A CN109446476B CN 109446476 B CN109446476 B CN 109446476B CN 201811133877 A CN201811133877 A CN 201811133877A CN 109446476 B CN109446476 B CN 109446476B
Authority
CN
China
Prior art keywords
matrix
information
characteristic
decoupling
coupling
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.)
Active
Application number
CN201811133877.2A
Other languages
English (en)
Other versions
CN109446476A (zh
Inventor
张建富
冯平法
罗文涛
郁鼎文
吴志军
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201811133877.2A priority Critical patent/CN109446476B/zh
Publication of CN109446476A publication Critical patent/CN109446476A/zh
Application granted granted Critical
Publication of CN109446476B publication Critical patent/CN109446476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)

Abstract

本申请涉及一种多模式传感器信息解耦方法。所述方法包括：通过接收多模式信息；并根据所述多模式信息，获取特征矩阵；再对所述特征矩阵进行降维，获取降维矩阵；进一步根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；从而对所述耦合矩阵进行解耦，得到独立信息输出矩阵。采用本方法能够解决无训练样本也能精确解耦的问题，从而提高信息的测量精度、实时性和自适应性。

Description

一种多模式传感器信息解耦方法
技术领域
本申请涉及信息分析领域，特别是涉及一种多模式传感器信息解耦方法。
背景技术
随着传感器技术的发展，出现了触觉传感器技术，触觉传感器技术普遍应用于机器人模仿皮肤对外界不同性质力的感知。
然而，目前对于多模式传感器进行仿生组合中，一般采用压力-压电原理分别对静态力和动态力进行检测，因静态力与动态力之间相互作用，从而导致对信息的测量精度、实时性和自适应性低等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种多模式传感器信息解耦方法。
一种多模式传感器信息解耦方法，所述方法包括：
接收多模式信息；
根据所述多模式信息，获取特征矩阵；
对所述特征矩阵进行降维，获取降维矩阵；
根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；
对所述耦合矩阵进行解耦，得到独立信息输出矩阵。
在其中一个实施例中，所述对所述特征矩阵进行降维，获取降维矩阵包括：
对所述特征矩阵进行预处理，获取零均值矩阵；
根据所述零均值矩阵，获取特征向量矩阵；
根据所述特征向量矩阵，获取降维矩阵。
在其中一个实施例中，所述根据所述零均值矩阵，获取特征向量矩阵包括：
计算所述零均值矩阵的协方差，获取特征向量和特征值；
将所述特征向量根据所对应特征值从小到大进行排列，获取特征向量矩阵。
在其中一个实施例中，所述根据所述特征向量矩阵，获取降维矩阵包括：
将所述特征向量矩阵中特征向量按行进行分组，截取第一组作为所述降维矩阵。
在其中一个实施例中，所述对所述耦合矩阵进行解耦，得到独立信息输出矩阵包括：
根据所述耦合矩阵，获取初始解耦矩阵，
根据所述耦合矩阵与所述初始解耦矩阵，获取独立信息输出矩阵。
在其中一个实施例中，所述根据所述耦合矩阵，获取初始解耦矩阵包括：
选取所述耦合矩阵中任意一对信息的特征向量，
根据所述特征向量，计算所述特征向量的互信息，
根据所述互信息，获取所述初始解耦矩阵。
在其中一个实施例中，所述根据所述耦合矩阵与所述初始耦合矩阵，获取独立信息输出矩阵包括：
根据所述初始解耦矩阵，对所述耦合矩阵进行训练，获取独立信息矩阵；
通过解耦分离公式对所述独立信息矩阵进行解耦，获取独立信息输出矩阵。
在其中一个实施例中，所述根据所述多模式信息，获取特征矩阵包括：
提取所述多模式信息的特征信息，形成所述特征矩阵。
上述多模式传感器信息解耦方法，通过接收多模式信息；并根据所述多模式信息，获取特征矩阵；再对所述特征矩阵进行降维，获取降维矩阵；进一步根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；从而对所述耦合矩阵进行解耦，得到独立信息输出矩阵，提高信息的测量精度、实时性和自适应性。
附图说明
图1为一个实施例中一种多模式传感器信息解耦方法的应用环境图；
图2为一个实施例中一种多模式传感器信息解耦方法的流程示意图；
图3为另一个实施例中一种多模式传感器信息解耦方法的流程示意图；
图4为一个实施例中互信息几何原理示意图；
图5为一个实施例中解耦原理示意图；
图6为一个实施例中爬山迭代学习算法信号流程示意图；
图7为一个实施例中一种多模式传感器信息解耦装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的多模式传感器信息解耦方法，可以应用于如图1所示的应用环境中。其中，机器人102通过网络与服务器104通过网络进行通信。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种多模式传感器信息解耦方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤S100：接收多模式信息。
在步骤S100中，多模式信息是指多模式传感器接收的不同种类传感器的信息。多模式传感器用于接收具有两个或者两个以上不同种类传感器的组合信息的传感器，并对所接收的信息进行处理。多模式触觉传感器用于接收具有两个或者两个以上不同种类触觉传感器的组合信息的传感器，并对所接收的信息进行处理。其中多模式触觉传感器可接收的信息种类包括但不限于温度触觉传感器、静态力传感器、瞬态力传感器和超声振动传感器组合。本申请中，主要以机器人102的感知为研究对象，通过网络与服务器104进行通信。机器人102对环境的感知，输出各种感知信号，并通过网络与服务器104进行通信，服务器104对所述各种感知信号进行分析，以判断各种感知信号之间的耦合关系。其中，网络包括3G、4G或者任意一种网络协议。
步骤S200：根据所述多模式信息，获取特征矩阵。
在步骤S200中，服务器104接收温度触觉传感器、静态力传感器、瞬态力传感器和超声振动传感器组合的任意两种或者两种以上传感器信息，也就是多模式信息，通过网络接收从各传感器输出的与之对应的感知信号，提取各个感知信号中的特征信号，形成特征矩阵，采用Xmn表示。例如，多模式信息包括温度传感器和静态力传感器的信息，提取信息中的特征信号，特征信号包括温度信号和静态力信号。其中，m为同种传感器采集信号数，n为传感系统中异构传感器数目。
步骤S300：对所述特征矩阵进行降维，获取降维矩阵。
在步骤S300中，当前由于数据记录以及属性规模的急剧增长，数据量有时过犹不及，数据太过庞大，对特定因素的处理反而产生不利影响。本申请对所述特征矩阵进行降维处理，获取降维矩阵，其中，降维矩阵采用W表示。其目的是排除特征矩阵间不存在耦合关系的特征信息。
步骤S400：根据所述特征矩阵与所述降维矩阵，获取耦合矩阵。
在步骤S400中，对各个感知信号中的特征信号进行提取，获取各个感知信号的特征信号向量，将所有感知信号产生的特征信号向量组合，形成一个特征矩阵Xmn。特征矩阵Xmn中的特征信号可能存在耦合关系，为了排除各个特征信号之间不存在耦合关系的特征信息，根据所述特征矩阵Xmn与所述降维矩阵W，获取耦合矩阵T，即特征矩阵X与降维矩阵W的乘积，表示为T＝WX。
步骤S500：对所述耦合矩阵进行解耦，得到独立信息输出矩阵。
在步骤S500中，通过所述特征矩阵Xmn与所述降维矩阵W，获取的耦合矩阵T，虽然已经对各个特征信号的特征信息进行了耦合关系的排除，但是各个特征信号的特征信息之间依然存在弱耦合关系，继续对耦合矩阵T进行非耦合关系信号的排除，得到独立信息输出矩阵。
上述信息解耦方法，通过接收多模式信息；并根据所述多模式信息，获取特征矩阵；再根据所述特征矩阵，获取降维矩阵；进一步根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；从而对所述耦合矩阵进行解耦，得到独立信息输出矩阵。本申请的高维空间非相关理论的无监督解耦法至少具有如下优点：提出耦合成分分析法将较大的传感信号矩阵降维到仅有耦合传感信号的小矩阵，大大降低计算成本；提出基于无监督理论的空间独立迭代算法，解决无训练样本也能精确解耦的问题，从而提高信息的测量精度、实时性和自适应性。
在其中一个实施例中，结合图3，所述步骤S300包括：
步骤S310：对所述特征矩阵进行预处理，获取零均值矩阵。
在步骤S310中，对特征矩阵Xmn进行预处理，得到零均值矩阵Ymn,以缩短多模式传感器传感论域不同导致的计算差异，计算公式为：
Figure BDA0001813779260000051
由于多模式传感器所接收的不同种类传感器的信息，而不同种类传感器的信息不同，包括信息单位、信息取值范围等均不同，因此需要对多模式传感器接收的信息进行计算，以缩短多模式传感器传感论域不同导致的差异。
其中，xij为第j种传感器采集的第i个信号值，n为传感系统中异构传感器数目，yij为预处理后的第j种传感器采集的第i个信号值。元素xij(i＝1,2,L,m；j＝1,2,L,n)构成特征信号矩阵Xmn，元素yij(i＝1,2,L,m；j＝1,2,L,n)构成零均值矩阵Ymn，且xij、yij分别表示矩阵Xmn和矩阵Ymn的第i行第j列的元素。
步骤S320：根据所述零均值矩阵，获取特征向量矩阵。
在步骤S320中，所述零均值矩阵Ymn是将特征矩阵进行数据的标准化。标准化后的零均值矩阵Ymn，经过特征分析，获取特征向量矩阵，采用A表示。
步骤S330：对所述特征向量矩阵中特征向量分组，获取降维矩阵。
在步骤S330中，为了缩短多模式传感器传感论域不同导致的计算差异，对特征矩阵Xmn进行预处理，得到零均值矩阵Ymn,根据协方差公式对零均值矩阵Ymn进行处理，获取特征向量矩阵A。将获取的特征向量矩阵A中的特征向量进行重新排列，即将所述特征向量矩阵中特征向量分组，以获取降维矩阵W。
在其中一个实施例中，所述步骤S320包括：
步骤S321：计算所述零均值矩阵的协方差，获取特征向量和特征值。
在步骤S321中，对标准化后的零均值矩阵Ymn进行计算，获取零均值矩阵Ymn的协方差矩阵D，并求出协方差矩阵D的特征值λi(i＝1,2,L,m)和特征向量xi(i＝1,2,L,m)，协方差计算公式为：
D＝1/m YY^T
其中，协方差矩阵D的特征向量xi(i＝1,2,L,m)组成特征向量矩阵A。
步骤S322：将所述特征向量根据所对应特征值从小到大进行排列，获取特征向量矩阵。
在步骤S322中，通过计算所述零均值矩阵的协方差，获取特征向量和特征值，将获取的特征向量根据所对应的特征值从小到大进行排列，组成了新的矩阵，也就是特征向量矩阵A。将特征向量矩阵A中的特征向量xi(i＝1,2,L,m)按照所对应特征值λi(i＝1,2,L,m)大小，从小到大按行排列成组成特征向量矩阵A。
在其中一个实施例中，所述步骤S330包括：
将所述特征向量矩阵中特征向量按行进行分组，截取第一组作为所述降维矩阵。
截取前K行组成降维矩阵W,耦合矩阵T＝WX，即为具有充分耦合关系的特征矩阵，维度为k×n，K表示特征向量矩阵A中的特征向量的行数，n表示特征向量矩阵A中的特征向量的列数。
设特征向量矩阵A中的特征向量一共为10行10列，若k＝4，将矩阵按照行进行分组(列不分组)，共分为2组，第一组为特征向量矩阵A中的特征向量的前4行10列，第二组为后6行10列，应选取第一组作为降维矩阵。值得注意的是，对于将所述特征向量矩阵A中的特征向量根据行进行分组，根据k值进行设定，不作具体要求。这里的降维矩阵目的是将原本弱耦合的矩阵变成强耦合，即删除不耦合的部分，删除方法即利用特征值从小到大原则重新排序A矩阵，只保留特征值小的特征向量，只有这样才能保证获取的耦合矩阵信息之间独立特征最小，即耦合度最高。
在其中一个实施例中，所述步骤S500包括：
步骤S510：根据所述耦合矩阵，获取初始解耦矩阵。
在步骤S510中，所述耦合矩阵T，通过解耦原理，输出耦合矩阵T的互信息；再根据所述互信息与拉格朗日方程，求解初始解耦矩阵J(1)。
步骤S520：根据所述耦合矩阵与所述初始解耦矩阵，获取独立信息输出矩阵。
在步骤S520中，对耦合矩阵T进行耦合关系的排除包括：提取出耦合矩阵T中不同模式信息的独立特征，利用改进信息熵理论构造解耦矩阵使得输出矩阵各模式向量的互信息最小，从而得到具有独立信息输出矩阵E。
具体地，通过耦合矩阵T与初始解耦矩阵J(1)，获取最终解耦矩阵J(n)和独立信息矩阵ea(n),所述独立信息矩阵ea(n)通过解耦分离公式，以获取独立信息输出矩阵E(c)。
在其中一个实施例中，所述步骤S510包括：
步骤S511：选取所述耦合矩阵中任意一对信息的特征向量。
步骤S511中，对于选取所述耦合矩阵T中任意一对信息的特征向量，所述任意一对信息的特征向量包括同一种传感器类型的特征向量和不同传感器类型的特征向量，如特征向量从第一温度触觉传感器与第二温度触觉传感器中获取，或者特征向量从第一温度触觉传感器与静态力传感器中获取，其中所述任意一对信息的特征向量并不限于以上两种情况。
步骤S512：根据所述特征向量，计算所述特征向量的互信息。
如图4所示，互信息是一种信息度量，它可以看成是一个随机变量中包含关于另一个随机变量的信息量。也就是说，两个随机变量之间存在交集。
具体地，选择耦合矩阵T中任意一对信息的特征向量，根据先验知识，设分别服从分布ΓZa和分布ΓZb(a<b；a,b＝1,2,L,n)，并计算每对输出向量的互信息:
Figure BDA0001813779260000081
其中，Za，Zb分别为第a种传感器和第b种传感器输出信号随机变量，za和zb分别为Za和Zb的一个样本，
Figure BDA0001813779260000082
是Zb的概率密度函数，根据不同传感类型服从概率分布不同，如振动信号、温度信号、力信号振幅服从高斯分布，能量波信号(如声波)振幅服从拉普拉斯分布；
Figure BDA0001813779260000083
是随机变量Za，Zb的联合概率密度函数，
Figure BDA0001813779260000084
是在观察系统输出Zb之后Za的条件概率密度函数。
步骤S513：根据所述互信息，获取所述初始解耦矩阵。
如图5所示，基于最小化互信息总和，对多个变量的互信息进行解耦，从而获取变量的初始解耦矩阵。
最小化互信息是增强两个不同源信号特征的差异，达到对具有耦合特征的源信号分离的目的。比如多模式传感器会接收到不同性质的信号(如静态力信号、动态力信号、温度信号)，这些信号不仅会作用于相应的感受器，还会作用于其他感受器而影响其他感受器的输入，因此每一个感受器的信号都具有耦合信号的特征，这种情况会大大降低感受器输出信息的精确程度，因此通过找出不同模式信号最根本的不同，并以此为依据区分耦合信号，即可保证各感受器输出信号不具备耦合特征。
此外，从不同模式传感器得到的数据作为输入向量，我们需要一种方法使得输入的每一种信号经过该方法处理后对应的输出之间信息最小，即设置目标函数为互信息最小。
最小化互信息的原理是利用不同源信号因性质不同而导致的概率信息不一样，我们知道当一个事件发生的概率越小，则所获得的信息量越大(香浓理论)。只有当我们确定两个事件互信息最小，即可确定该两个事件相互影响的概率越小。基本公式如下：
I(X1；X2)＝h(X2)-h(X2|X1)
可见，互信息越小则联合熵(信息量的期望)越大，则联合概率越小，即两个源信号耦合信息越少。
具体地，建立多目标优化函数以最小化耦合矩阵输出互信息，求解初始解耦矩阵J(1)，维度为k×k，目标函数如下：
Figure BDA0001813779260000091
Figure BDA0001813779260000092
其中，目标函数为最小化各传感器输出信号互信息，约束条件是通过约束J矩阵特征值来保证算法收敛。J为解耦矩阵，上式通过拉格朗日方程即可求出初始解耦矩阵J(1)。
设G＝(tr[JTJ]-1)2，建立拉格郎日函数可以表示为：
Figure BDA0001813779260000093
利用梯度策略求解参数J，c，得到最优化条件为：
Figure BDA0001813779260000094
利用梯度策略求解参数J，c，得到最优化条件为：
Figure BDA0001813779260000101
其中c为拉格朗日乘子，Jfg为J矩阵中第f行第g列参数。利用拟牛顿法(因为拟牛顿法是解非线性方程组及最优化计算中最有效的方法)求解该非线性方程组即可解得初始耦合矩阵J(1)。
在其中一个实施例中，结合图6，所述步骤S520包括：
步骤S521：根据所述初始解耦矩阵，对所述耦合矩阵进行训练，获取独立信息矩阵；
通过特征矩阵Xmn与降维矩阵W获取耦合矩阵T，根据所述初始解耦矩阵J(1)，对所述耦合矩阵T所有向量进行爬山迭代学习，获取独立信息输出矩阵E(c)。
具体地，以J(1)为初始解耦矩阵，对耦合矩阵所有向量进行爬山迭代学习，形成最终解耦矩阵。迭代公式为：
Figure BDA0001813779260000102
(n≤c,a＝1,2,L,n)
该迭代公式形成是基于随机梯度下降的思想，将初始解耦矩阵与耦合矩阵分量相乘得到第一次迭代的对应传感器解耦输出向量，将各个传感器对应分量的统计独立特征(利用熵理论，即最小化参数概率密度函数
Figure BDA0001813779260000103
和e的边缘概率密度函数
Figure BDA0001813779260000104
之间相对熵)作为期望性质(目标函数)，利用随机梯度思想即可求解出相应迭代公式。
其中，n为迭代变量，初值为1；c为迭代次数；η为学习率，通常取0.02；Ja(n)为第n次迭代下第a种传感器解耦矩阵；ta为耦合矩阵T的第a列向量；ea(n)为第n次迭代下第a种传感器的解耦输出向量，Φ为激活函数。激活函数定义为：
Figure BDA0001813779260000111
Figure BDA0001813779260000112
其中，
Figure BDA0001813779260000113
为第a种传感器输出矩阵向量的边缘概率密度函数下的第d个采样点概率，根据不同传感类型服从概率分布不同，如振动信号、温度信号、力信号振幅服从高斯分布，能量波信号(如声波)振幅服从拉普拉斯分布。
步骤S522：通过解耦分离公式对所述独立信息矩阵进行解耦，获取独立信息输出矩阵。
利用解耦分离公式获得独立信号输出矩阵：
E(c)＝(e1(c),e2(c),L,en(c))
其中，E(c)为各传感器输入向量分别对应解耦后的传感模式输出向量矩阵。
在其中一个实施例中，所述根据所述多模式信息，获取特征矩阵包括：
提取所述多模式信息的特征信息，形成所述特征矩阵。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种多模式传感器信息解耦装置，包括：接收模块和处理模块，其中：
接收模块100，用于接收多模式信息。
处理模块200，用于根据所述多模式信息，获取特征矩阵；对所述特征矩阵进行降维，获取降维矩阵；根据所述特征矩阵与所述降维矩阵，获取耦合矩阵以及对所述耦合矩阵进行解耦，得到独立信息输出矩阵。
在一个实施例中，所述处理模块200包括：
预处理模块210，用于对所述特征矩阵进行预处理，获取零均值矩阵；
第一获取模块220，用于根据所述零均值矩阵，获取特征向量矩阵；
第二获取模块230，用于对所述特征向量矩阵中的特征向量进行分组，获取降维矩阵。
在一个实施例中，所述第一获取模块220包括：
第一计算模块221，用于计算所述零均值矩阵的协方差，获取特征向量和特征值；
排序模块222，用于将所述特征向量根据所对应特征值从小到大进行排列，获取特征向量矩阵。
在一个实施例中，所述第一获取模块230包括：
第一选择模块231，用于将所述特征向量矩阵中特征向量按行分组，截取第一组作为所述降维矩阵。
在一个实施例中，所述处理模块200还包括：
第三获取模块240，用于根据所述耦合矩阵，获取初始解耦矩阵，
第二计算模块250，用于根据所述耦合矩阵与所述初始解耦矩阵，获取独立信息输出矩阵。
在一个实施例中，所述第三获取模块240包括：
第二选择模块241，用于选取所述耦合矩阵中任意一对信息的特征向量，
第三计算模块242，用于根据所述特征向量，计算所述特征向量的互信息，
第四获取模块243，用于根据所述互信息，获取所述初始解耦矩阵。
在一个实施例中，所述处理模块200还包括：
训练模块260，用于根据所述初始解耦矩阵，对所述耦合矩阵进行训练，获取独立信息矩阵；
第四计算模块270，用于通过解耦分离公式对所述独立信息矩阵进行解耦，获取独立信息输出矩阵。
在一个实施例中，所述处理模块200还包括：
提取模块280，用于提取所述多模式信息的特征信息，形成所述特征矩阵。
关于一种多模式传感器信息解耦装置的具体限定可以参见上文中对于一种信息解耦方法的限定，在此不再赘述。上述多模式传感器信息解耦装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储计算机程序所需数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信息解耦方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如上方法所述步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上方法所述步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种多模式传感器信息解耦方法，其特征在于，所述方法包括：
接收多模式触觉传感器发送的多模式信息；其中，所述多模式信息包括不同种类传感器的传感器信息，所述多模式触觉传感器包括温度触觉传感器、静态力传感器、瞬态力传感器和超声振动传感器中至少两种不同种类传感器；
根据所述多模式信息，获取特征矩阵；其中，所述特征矩阵是基于每个传感器信息中提取的特征信号生成的；
对所述特征矩阵进行降维，获取降维矩阵；其中，所述降维矩阵用于排除所述特征矩阵间不存在耦合关系的特征信息；
根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；其中，所述耦合矩阵用于排除所述特征矩阵中各个特征信号之间不存在耦合关系的特征信息；
选取所述耦合矩阵中任意一对信息的特征向量，
根据所述特征向量，计算所述特征向量的互信息，
根据所述互信息，获取初始解耦矩阵；
根据所述初始解耦矩阵，对所述耦合矩阵进行训练，获取独立信息矩阵；
通过解耦分离公式对所述独立信息矩阵进行解耦，获取独立信息输出矩阵；其中，所述独立信息输出矩阵是对所述耦合矩阵进行非耦合关系信号的排除处理后得到的。
2.根据权利要求1所述的方法，其特征在于，所述对所述特征矩阵进行降维，获取降维矩阵包括：
对所述特征矩阵进行预处理，获取零均值矩阵；
根据所述零均值矩阵，获取特征向量矩阵；
根据所述特征向量矩阵，获取降维矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据所述零均值矩阵，获取特征向量矩阵包括：
计算所述零均值矩阵的协方差，获取特征向量和特征值；
将所述特征向量根据所对应特征值从小到大进行排列，获取特征向量矩阵。
4.根据权利要求2所述的方法，其特征在于，所述根据所述特征向量矩阵，获取降维矩阵包括：
将所述特征向量矩阵中特征向量按行进行分组，截取第一组作为所述降维矩阵。
5.根据权利要求1所述的方法，其特征在于，所述根据所述多模式信息，获取特征矩阵包括：
提取所述多模式信息的特征信息，形成所述特征矩阵。
CN201811133877.2A 2018-09-27 2018-09-27 一种多模式传感器信息解耦方法 Active CN109446476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811133877.2A CN109446476B (zh) 2018-09-27 2018-09-27 一种多模式传感器信息解耦方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811133877.2A CN109446476B (zh) 2018-09-27 2018-09-27 一种多模式传感器信息解耦方法

Publications (2)

Publication Number Publication Date
CN109446476A CN109446476A (zh) 2019-03-08
CN109446476B true CN109446476B (zh) 2020-07-14

Family

ID=65545387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811133877.2A Active CN109446476B (zh) 2018-09-27 2018-09-27 一种多模式传感器信息解耦方法

Country Status (1)

Country Link
CN (1) CN109446476B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110116139B (zh) * 2019-04-28 2020-05-05 燕山大学 冷轧带材整辊式板形仪通道相互耦合的解耦方法
CN112241748B (zh) * 2019-07-16 2024-06-14 广州汽车集团股份有限公司 一种基于多源信息熵差异性的数据降维方法及装置
CN111459187B (zh) * 2020-04-20 2021-09-07 清华大学 无人机状态监管方法、装置、系统及可读存储介质
TWI803205B (zh) * 2022-02-23 2023-05-21 神通資訊科技股份有限公司 支援多感測態樣的計數系統及其方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103908361A (zh) * 2014-04-02 2014-07-09 韩晓新 一种假肢关节运动耦合驱动信号的采集运算方法
CN106096640A (zh) * 2016-05-31 2016-11-09 合肥工业大学 一种多模式系统的特征降维方法
CN106407363A (zh) * 2016-09-08 2017-02-15 电子科技大学 一种基于信息熵的超高维数据降维算法
EP3293151A1 (en) * 2016-09-12 2018-03-14 Doosan Heavy Industries & Construction Co., Ltd. Apparatus and method for analyzing membrane fouling of seawater desalination system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103908361A (zh) * 2014-04-02 2014-07-09 韩晓新 一种假肢关节运动耦合驱动信号的采集运算方法
CN106096640A (zh) * 2016-05-31 2016-11-09 合肥工业大学 一种多模式系统的特征降维方法
CN106407363A (zh) * 2016-09-08 2017-02-15 电子科技大学 一种基于信息熵的超高维数据降维算法
EP3293151A1 (en) * 2016-09-12 2018-03-14 Doosan Heavy Industries & Construction Co., Ltd. Apparatus and method for analyzing membrane fouling of seawater desalination system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂机电系统机电耦合分析与解耦控制技术;贺建军;《中国优秀博硕士学位论文全文数据库 (博士)工程科技Ⅰ辑（季刊 ）》;20041215(第04期);第9页第2段第4-6行、第109页第3段第1-2行 *

Also Published As

Publication number Publication date
CN109446476A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109446476B (zh) 一种多模式传感器信息解耦方法
EP3438890B1 (en) Method and apparatus for generating fixed-point quantized neural network
KR102068576B1 (ko) 합성곱 신경망 기반 이미지 처리 시스템 및 방법
CN110515456B (zh) 基于注意力机制的脑电信号情感判别方法及装置
Kanellopoulos et al. Strategies and best practice for neural network image classification
Castellano et al. Variable selection using neural-network models
Dsilva et al. Data-driven reduction for a class of multiscale fast-slow stochastic dynamical systems
CN104869126B (zh) 一种网络入侵异常检测方法
KR102468534B1 (ko) 약물-표적 단백질의 상호작용을 예측하는 방법 및 그 방법을 수행하는 장치
KR20180060257A (ko) 객체 인식 방법 및 장치
US11461619B2 (en) Spatio temporal gated recurrent unit
KR102569169B1 (ko) 인공 신경망의 자동 생성을 위한 방법 및 장치
CN112529146B (zh) 神经网络模型训练的方法和装置
CN112183295A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN107784322A (zh) 异常数据检测方法、装置、存储介质以及程序产品
CN110879982A (zh) 一种人群计数系统及方法
US20200226451A1 (en) Method and apparatus with neural network layer contraction
Oliva et al. Multilevel thresholding by fuzzy type II sets using evolutionary algorithms
EP3985574A1 (en) Method and apparatus with neural network pruning
KR101556603B1 (ko) 랭크 정보를 이용한 영상 분리 장치 및 그 방법
KR20230003346A (ko) 타겟 부위 추적 방법, 장치, 전자 기기 및 판독 가능 저장 매체
KR102300459B1 (ko) 딥러닝 기반의 뇌-컴퓨터 인터페이스를 위한 공간-주파수 특징맵을 생성하는 장치 및 방법
CN113361194B (zh) 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质
CN117095360B (zh) 基于sar卫星遥感技术的粮食作物监测方法及系统
CN114022752A (zh) 基于注意力特征精细化及对齐的sar目标检测方法

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
GR01 Patent grant
GR01 Patent grant