CN110414366B - 一种基于动态信号的压阻阵列及压力分布匹配方法 - Google Patents

一种基于动态信号的压阻阵列及压力分布匹配方法 Download PDF

Info

Publication number
CN110414366B
CN110414366B CN201910598011.7A CN201910598011A CN110414366B CN 110414366 B CN110414366 B CN 110414366B CN 201910598011 A CN201910598011 A CN 201910598011A CN 110414366 B CN110414366 B CN 110414366B
Authority
CN
China
Prior art keywords
array
layer
signals
pressure
unit
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
CN201910598011.7A
Other languages
English (en)
Other versions
CN110414366A (zh
Inventor
段升顺
宋长骏
朱迪
吴俊�
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201910598011.7A priority Critical patent/CN110414366B/zh
Publication of CN110414366A publication Critical patent/CN110414366A/zh
Application granted granted Critical
Publication of CN110414366B publication Critical patent/CN110414366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G01L1/18—Measuring force or stress, in general using properties of piezo-resistive materials, i.e. materials of which the ohmic resistance varies according to changes in magnitude or direction of force applied to the material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measuring Fluid Pressure (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)

Abstract

本发明公开了一种基于动态信号的压阻阵列及压力分布匹配方法，压阻阵列包括柔性压力传感器阵列，动态信号获取处理单元，卷积神经网络判别单元和数据库单元；压力分布匹配方法包括如下步骤：1、数据库构建；2、利用数据库单元中的数据，训练构建的预训练过的神经网络判别单元；3、动态信号获取处理单元从柔性压力传感器阵列获取信号并处理，并将处理后的信号输入到神经网络判别单元中进行压力匹配的识别；4、神经网络输出压力分布点。本发明通过对n×n阵列特殊的参数和结构设计，显著减少了引线数量，降低了能耗。采用训练好的模型识别压力匹配模式，用时短，识别率高，可以适用于如特定压阻分布模式检测等各种特定的场合。

Description

一种基于动态信号的压阻阵列及压力分布匹配方法
技术领域
本发明涉及柔性电子和压力传感器领域，具体涉及一种基于神经网络的压阻阵列，本发明还涉及一种压力分布匹配方法。
背景技术
新型的柔性电子技术通过将有机或无机材料电子器件制作在柔性/可延性基板上，在不损坏本身电子性能的基础上具有超高的伸展性和弯曲。借助其独特的延伸性，超高的电学性能和高效简单，低成本的制备工艺，柔性电子技术在军事，医疗，柔性显示，可穿戴设备，体育竞技辅助训练和机器人领域具有极大的潜在应用价值。
柔性压力传感器可以承受并感知多种形变和压力，按照感知工作机理可分为压阻式，压容式，压电式和摩擦电式。其中，压阻式压力传感器因其结构简单，灵敏度高等优点而被大量研究，其机理是将外界压力刺激转变为电阻的变化，其电阻的变化与压力形成单对应关系。
其中，柔性压力传感器阵列化是指，由柔性压力传感器作为传感单元，将若干单元集成在一定区域内，并通过电路控制实现寻址实时测量分布压力，柔性压力传感器只能测量单点的压力变化，而分布压力测量可以同时测量一定区域内多点的压力变化。
目前的柔性压力传感器阵列常用的技术包括：(1)冗线式，每个传感单元独立引出正负极引线，实现寻址；(2)薄膜晶体管式，即将传感单元与薄膜晶体管集成，(3)扫描电路式，即通过交叉的行列走线将所有传感单元接入，再控制行列的选通实现寻址晶体管实现寻址.
以上三种方式存在的问题是当阵列规模增大后，存在引线较多的问题，这就导致后续处理芯片单元需要浪费非常多的管脚，造成芯片设计的困难以及较大的功耗浪费。比如，假设有n×n的阵列，冗线式需要2n2根引线，薄膜晶体管式和扫描电路式需要4n根引线，但代价是：扫描电路行和列均需要选通器，会增加后端电路控制负担；采用薄膜晶体管式技术制备的阵列，存在制备工艺复杂困难，成本高昂，工作电压高的缺点。所以急需提出一种全新的阵列设计以及压力匹配方法，来降低引线数量，降低器件能耗。
发明内容
发明目的：为了解决现有技术存在的问题，本发明的目的是提供一种基于神经网络的压阻阵列，本发明的另一目的是提供一种压力分布匹配方法，以减少引线数量，提高芯片利用率，降低能耗。
技术方案：一种基于动态信号的压阻阵列，包括：
柔性压力传感器阵列，包括上层阵列，柔性基底层和下层阵列；在不同压力下，所述上层阵列和下层阵列分别输出一维动态电信号out_x和out_y；
动态信号获取处理单元，用于接收和处理所述一维动态电信号号out_x和out_y；
卷积神经网络判别单元，用于压力分布匹配；
数据库单元，用于训练所述卷积神经网络判别单元。
进一步的，对于n×n的压阻阵列，所述柔性压力传感器阵列采用n类传感器单元，各类传感器单元对同一压力具有不同响应；所述上层阵列共n行，各行采用不同类传感器单元，其中每行的n个传感器单元相同且串联，n行传感器单元子阵列并联，输出out_y信号；所述下层阵列共n列，各列采用不同的传感器单元，其中每列n个传感器相同且串联，n列传感器单元子阵列并联，输出为out_x信号。
所述n类传感器单元采用不同数量电阻串联的方式实现对同一压力进行不同响应。
进一步的，所述卷积神经网络判别单元为深度可分解卷积神经分类网络，包括卷积层，池化层，全连接层，softmax分类层和Dropout层。优选的，所述卷积层采用长度为3的一维卷积核；池化层采用核长度为2的一维平均池化；采用Dropout层对模型进行约束，其中，第一层卷积层dropout取值0.9，第二层卷积层dropout取值0.8，第三层卷积层dropout取值0.7；全连接层的dropout取值为0.5；softmax分类层的类别数目由数据库单元中的target数据类别确定。
进一步的，所述动态信号获取处理单元包括电响应获取模块和电信号处理模块；所述电响应获取模块由GPU芯片控制模数转换模块采集out_x和out_y两电信号输出端口的电压信号，信号采集点数为W；所述电信号处理模块利用记录的初始电压信号U0，将电响应获取模块获取到的电压信号处理为(Ui-U0)/U0,其中，Ui为out_x和out_y中的电压信号点，i＝1,2,…,W。优选的，将out_x,out_y拼接为三维矩阵，其维度为[1,W,2]，其中，第三维第一通道为处理后的out_x电信号，第三维第二通道为处理后的out_y电信号。
一种基于所述压阻阵列的压力分布匹配方法，包括如下步骤：
步骤1、数据库构建；利用动态信号处理单元获取柔性压力传感器阵列的输出信号out_x,out_y，处理为[1,W,2]的矩阵，作为数据库单元的source，其中，W为采集点数；对应的压力分布方式作为数据库单元的target；基于数据(source,target)构建数据库单元；
步骤2、利用数据库单元中的数据(source,target)，采用迁移学习训练构建的预训练过的神经网络判别单元；
步骤3、动态信号获取处理单元从柔性压力传感器阵列获取out_x,out_y信号并处理，并将处理后的out_x,out_y信号输入到神经网络判别单元中进行压力匹配的识别；
步骤4、神经网络输出的值即为压力的分布点。
所述步骤1中，采用one-hot编码格式编码。
所述步骤2中，采用交叉验证法来评估神经网络模型的性能。
和现有技术相比，本发明具有如下显著进步：(1)通过对n×n阵列特殊的参数和结构设计，只需要4根导线，极大的提高了芯片利用率，降低了能耗。(2)针对特定的压力匹配模式可以进行网络参数的预训练和修改，灵活性高。(3)用训练好的模型识别压力匹配模式，用时时间短，识别率高。(4)通过灵活的修改输出层结构，通过迁移学习，本压阻匹配阵列可以适用于各种特定的场合，比如特定压阻分布模式检测等。
附图说明
图1为本发明实施例的柔性压力传感器阵列的示意图；
图2为本发明实施例的动态信号获取处理单元的工作流程图；
图3为本发明实施例的电信号处理模块的算法流程图；
图4为本发明实施例的工作流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步详细说明。
一种基于动态信号的压阻阵列及其匹配方法，包括柔性压力传感器阵列，动态信号获取处理单元，神经网络判别单元和数据库单元。
其中，柔性压力传感器阵列能够针对不同的压力，输出不同的两种一维动态电信号out_x,out_y。
动态信号获取处理单元包括接收out_x和out_y的电响应获取模块，和对电响应信号out_x和out_y的电信号处理模块。
神经网络判别单元为深度可分解卷积神经分类网络，包括卷积层，池化，全连接层，softmax分类层和Dropout层，其中输出分类层的类别数目由数据库单元中的target类别数据确定。
数据库单元为(source,target)数据集，用于训练卷积神经网络判别单元。
具体的，本发明的柔性压力传感器阵列需要经过特殊的结构设计来实现相应的功能，对于n×n的压阻阵列，需制备n类对同一压力具有不同响应曲线的器件单元，定义为第1,2,3…n-1,n类传感器单元。该柔性压力传感器间分为上层阵列，柔性基底层和下层阵列，对于上层阵列而言，共n行，每行分别为第1,2,…,n类传感器单元，其中每行n个传感器相同且串联，n行传感器单元子阵列并联，输出为out_y信号。这样，可以依据上层传感器out_y的输出判断压力点在行上的分布情况。相似地，对于下层阵列而言，共n列，每列分别为第1,2,…,n类传感器单元，其中每列n个传感器相同且串联，n列传感器单元子阵列并联，输出为out_x信号。这样，可以依据下层传感器out_x的输出判断压力点在列上的分布情况。
电响应获取模块由GPU芯片控制模数转换模块采集out_x和out_y两电信号输出模块的电压变化信息，采集电信号的点数为W。
电信号处理模块利用记录的初始电压信号U0，将电响应获取模块获取到的电压信号处理为(Ui-U0)/U0,其中，Ui为out_x和out_y中的电压信号点，i＝1,2,…,W。优选地，将out_x,out_y拼接为三维矩阵，其维度为[1,W,2],其中，第三维第一通道为处理后的out_x电信号，第三维第二通道为处理后的out_y电信号。
作为优选，深度可分解卷积神经网络结构为：[1,W,2]维张量输入->卷积层->ReLu->池化层->卷积层->ReLu->池化层->卷积层->ReLu->池化层->全连接层->softmax层；为了进一步优化网络结构，以及加速训练，卷积层采用长度为3的一维卷积核，池化层采用核长度为2的一维平均池化；为避免过拟合现象，采用Dropout层对模型进行约束，其中第一层卷积层dropout取值0.9，第二层卷积层dropout取值0.8，第三层卷积层dropout取值0.7，全连接层的dropout取值为0.5。softmax分类层的类别数目由数据库单元中的target数据类别确定。
如表1所示为每个隐藏层dropout的取值：
表1
隐藏层 类型 Dropout
网络层1 3卷积层 0.9
网络层2 3卷积层 0.8
网络层3 3卷积层 0.7
网络层4 全连接层 0.5
优选的，网络单元在网络训练过程中，采用交叉验证来检验模型是否发生过拟合；
数据库单元中的数据具有特定的格式要求。对于n×n的压阻阵列，source为3维矩阵，格式为(1,W,2,),其中其格式与电信号处理模块获得的数据格式完全相同，优选地，target为监督学习过程中的y值，其依据所有target的类别采用one-hot编码格式编码。数据库中的数据用于训练卷积神经网络判别单元。
整个系统的工作流程如下：
1)利用动态信号处理单元获取柔性压力传感器阵列的输出信号out_x,out_y，处理为[1,W,2]的矩阵，作为数据库单元的source，对应的压力分布方式作为数据库为target。提取一定数量的(source,target)构建数据库单元。
2)利用数据库单元中的数据训练神经网络判别单元。
3)动态信号获取处理单元从柔性压力传感器阵列获取out_x,out_y信号并处理，接下来将处理后的out_x,out_y信号输入到神经网络判别单元中进行压力匹配的识别。
实施例：
本实例选取3×3压阻阵列，压力分布匹配选为(1,1),(1,2),(1,3),(2,1),(2,2),(3,3),(3,1),(3,2),(3,3)9个压力点的匹配。
(1)柔性压力传感器阵列
如图1所示，对于3×3的压阻阵列，制备3类对同一压力具有不同响应曲线的器件单元，具体采用电阻式实现，具体来讲，第1类为单单元电阻，第2类为两单元电阻串联，第3类为三单元先祖串联，其中单元电阻对压力的感知效应为压阻形变式，三类电阻对同一压力的响应不同。
该柔性压力传感器间分为上层阵列1，柔性基底层2和下层阵列3，对于上层阵列而言，共3行，每行分别为第1、2、3类传感器单元，其中每行3个传感器相同且串联，3行传感器单元子阵列并联，输出为out_y信号。这样，可以依据上层传感器out_y的输出判断压力点在行上的分布情况。
相似地，对于下层阵列而言，共3列，每列分别为第1、2、3类传感器单元，其中每列3个传感器相同且串联，3列传感器单元子阵列并联，输出为out_x信号。这样，可以依据下层传感器out_x的输出判断压力点在列上的分布情况。
(2)动态信号获取处理单元
动态信号获取处理单元包括电响应获取模块和电信号处理模块。首先如图2所示，当GPU检测到out_x，out_y输出电信号发生变化之后，GPU芯片控制模数转换模块采集out_x和out_y两电信号输出模块的电压变化信息，其中，采集的点数W＝500，之后经过电信号处理模块处理后，经过维度拼接，输出处理后的电信号。
具体算法流程如图3所示，电信号处理模块利用记录的初始电压信号U0，将电响应获取模块获取到的电压信号处理为(Ui-U0)/U0,其中，Ui为out_x和out_y中的电压信号点，i＝1,2,…,500。之后，将out_x,out_y拼接为三维矩阵，其维度为[1,500,2],其中，第三维第一通道为处理后的out_x电信号，第三维第二通道为处理后的out_y电信号。
(3)神经网络判别单元
为实现较精准的压阻分布匹配，借助深度可分解的卷积神经分类网络。该实例中，该网络的输入为[1,500,2],softmax分类层为9维向量，即9个分类器。
该网络的结构如下：
[1,500,2]维张量输入->卷积层->ReLu->池化层->卷积层->ReLu->池化层->卷积层->ReLu->池化层->全连接层->softmax层[9]维张量输出。
具体的，为了进一步优化网络结构，避免过拟合现象，以及加速训练，卷积层采用长度为3的一维卷积核；池化层采用核长度为2的一维平均池化；采用Dropout层对模型进行约束，其中第一层卷积层dropout取值0.9，第二层卷积层dropout取值0.8，第三层卷积层dropout取值0.7，全连接层的dropout取值为0.5。
在网络训练过程中，采用交叉验证来检验模型是否发生过拟合，具体流程如下：
将训练数据分为一个或多个数据集，用一部分数据集训练模型，另一部分验证模型准确度，如果分类结果在训练集合和测试集合上相差很多，则产生了过拟合。在此我们将数据库中的样本分为了5个子数据集，将每一个字数据集分别作为测试样本，其它4个字数据集作为训练样本。这样得到5个分类器，5个测试结果，用这5个结果的平均值来衡量我们提出的深度可分解卷积神经分类网络模型的压阻匹配性能。
(4)数据库单元
在此数据库中，数据(source,target)的格式为:
1)source的维度为[1,500,2]
2)target为监督学习过程中的y值，其依据所有target的类别采用one-hot编码格式编码，本实例中，target经过one-hot编码后的格式对应如下所示：
表2
原始压力点 (1,1) (1,2) (1,3) (2,1) (2,2) (2,3) (3,1) (3,2) (3,3)
one-hot编码 100000000 010000000 001000000 000100000 000010000 000001000 000000100 000000010 000000001
整个基于动态信号的压阻阵列及其匹配系统的工作流程如图4所示，包括如下内容：
1)数据库构建。利用动态信号处理单元获取柔性压力传感器阵列的输出信号out_x,out_y，处理为[1,500,2]的矩阵，作为数据库单元的source，对应的压力分布方式作为数据库为target。提取一定数量的(source,target)构建数据库单元，其中每类target采集100次。
2)利用数据库单元中的数据，采用迁移学习来训练构建的预训练过的深度可分解卷积神经网络，并采用交叉验证来检验模型是否发生过拟合。
3)动态信号获取处理单元从柔性压力传感器阵列获取out_x,out_y信号并处理，接下来将数据传递给数据训练神经网络判别单元进行压力匹配的识别。
4)神经网络输出的值即为压力的分布点。

Claims (9)

1.一种基于动态信号的压阻阵列，其特征在于，包括：
柔性压力传感器阵列，包括上层阵列，柔性基底层和下层阵列；在不同压力下，所述上层阵列和下层阵列分别输出一维动态电信号out_x和out_y；
动态信号获取处理单元，用于接收和处理所述一维动态电信号out_x和out_y；
卷积神经网络判别单元，用于压力分布匹配；
数据库单元，用于训练所述卷积神经网络判别单元；
对于n×n的压阻阵列，所述柔性压力传感器阵列采用n类传感器单元，各类传感器单元对同一压力具有不同响应；
所述上层阵列共n行，各行采用不同类传感器单元，其中每行的n个传感器单元相同且串联，n行传感器单元子阵列并联，输出out_y信号；
所述下层阵列共n列，各列采用不同的传感器单元，其中每列n个传感器相同且串联，n列传感器单元子阵列并联，输出为out_x信号。
2.根据权利要求1所述的基于动态信号的压阻阵列，其特征在于：所述n类传感器单元采用不同数量电阻串联的方式实现对同一压力进行不同响应。
3.根据权利要求1所述的基于动态信号的压阻阵列，其特征在于：所述卷积神经网络判别单元为深度可分解卷积神经分类网络，包括卷积层，池化层，全连接层，softmax分类层和Dropout层。
4.根据权利要求3所述的基于动态信号的压阻阵列，其特征在于：所述卷积层采用长度为3的一维卷积核；池化层采用核长度为2的一维平均池化；采用Dropout层对模型进行约束，其中，第一层卷积层dropout取值0.9，第二层卷积层dropout取值0.8，第三层卷积层dropout取值0.7；全连接层的dropout取值为0.5；softmax分类层的类别数目由数据库单元中的target数据类别确定。
5.根据权利要求1所述的基于动态信号的压阻阵列，其特征在于：所述动态信号获取处理单元包括电响应获取模块和电信号处理模块；
所述电响应获取模块由GPU芯片控制模数转换模块采集out_x和out_y两电信号输出端口的电压信号，信号采集点数为W；
所述电信号处理模块利用记录的初始电压信号U0，将电响应获取模块获取到的电压信号处理为(Ui-U0)/U0，其中，Ui为out_x和out_y中的电压信号点，i＝1，2，...，W。
6.根据权利要求5所述的基于动态信号的压阻阵列，其特征在于：将out_x，out_y拼接为三维矩阵，其维度为[1，W，2]，其中，第三维第一通道为处理后的out_x电信号，第三维第二通道为处理后的out_y电信号。
7.一种基于如权利要求6所述压阻阵列的压力分布匹配方法，其特征在于，包括如下步骤：
步骤1、数据库构建；利用动态信号处理单元获取柔性压力传感器阵列的输出信号out_x，out_y，处理为[1，W，2]的矩阵，作为数据库单元的source，其中，W为采集点数；对应的压力分布方式作为数据库单元的target；基于数据(source，target)构建数据库单元；
步骤2、利用数据库单元中的数据(source，target)，采用迁移学习训练构建的预训练过的神经网络判别单元；
步骤3、动态信号获取处理单元从柔性压力传感器阵列获取out_x，out_y信号并处理，并将处理后的out_x，out_y信号输入到神经网络判别单元中进行压力匹配的识别；
步骤4、神经网络输出的值即为压力的分布点。
8.根据权利要求7所述的压力分布匹配方法，其特征在于：所述步骤1中，采用one-hot编码格式编码。
9.根据权利要求7所述的压力分布匹配方法，其特征在于：所述步骤2中，采用交叉验证法来评估神经网络模型的性能。
CN201910598011.7A 2019-07-04 2019-07-04 一种基于动态信号的压阻阵列及压力分布匹配方法 Active CN110414366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910598011.7A CN110414366B (zh) 2019-07-04 2019-07-04 一种基于动态信号的压阻阵列及压力分布匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910598011.7A CN110414366B (zh) 2019-07-04 2019-07-04 一种基于动态信号的压阻阵列及压力分布匹配方法

Publications (2)

Publication Number Publication Date
CN110414366A CN110414366A (zh) 2019-11-05
CN110414366B true CN110414366B (zh) 2023-05-19

Family

ID=68360197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910598011.7A Active CN110414366B (zh) 2019-07-04 2019-07-04 一种基于动态信号的压阻阵列及压力分布匹配方法

Country Status (1)

Country Link
CN (1) CN110414366B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110823420B (zh) * 2019-11-07 2021-09-07 东南大学 一种激光制备柔性压阻式拉力传感器的制备方法及其所得拉力传感器
CN111207875B (zh) * 2020-02-25 2021-06-25 青岛理工大学 基于多粒度并联cnn模型的肌电信号-扭矩匹配方法
CN112710415A (zh) * 2020-12-01 2021-04-27 南京理工大学 一种高精度平面压阻传感器系统及其使用方法
CN113647937A (zh) * 2021-08-16 2021-11-16 宁波荣勃通机电科技有限公司 检测装置、检测方法、鞋垫、训练方法和识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613976B (zh) * 2018-11-14 2023-08-22 华东师范大学 一种智能柔性压力传感手语识别装置
CN109612708B (zh) * 2018-12-28 2021-03-16 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法

Also Published As

Publication number Publication date
CN110414366A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110414366B (zh) 一种基于动态信号的压阻阵列及压力分布匹配方法
Tiwari et al. Dense convolutional neural networks based multiclass plant disease detection and classification using leaf images
Gamboa et al. Validation of the rapid detection approach for enhancing the electronic nose systems performance, using different deep learning models and support vector machines
CN102192927B (zh) 一种基于电子鼻技术的空气质量监测系统及其监测方法
Widiyanto et al. Implementation of convolutional neural network method for classification of diseases in tomato leaves
CN112294341B (zh) 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统
CN109540978A (zh) 气味识别设备
CN103544392A (zh) 基于深度学习的医学气体识别方法
CN110880369A (zh) 基于径向基函数神经网络的气体标志物检测方法及应用
CN110991422B (zh) 基于多元时移多尺度排列熵的滚动轴承故障诊断方法
CN109613976B (zh) 一种智能柔性压力传感手语识别装置
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN112990545A (zh) 一种高速公路交织区交通安全状态预测方法
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
Praveen et al. Using AIG in Verilog HDL, Autonomous Testing in a Family of Wien Bridge Cross Transducers
CN112949753A (zh) 一种基于二元关系的卫星遥测时序数据异常检测方法
CN112364974A (zh) 一种基于激活函数改进的YOLOv3算法
CN116304819A (zh) 一种基于LeNet-5算法的核反应堆运行工况判断方法
CN110414633B (zh) 用于手写字体识别的系统及识别方法
CN111076770A (zh) 一种传感元件与忆阻器结合的多模态智能传感器
Wang et al. An energy-efficient classification system for peach ripeness using YOLOv4 and flexible piezoelectric sensor
CN114926702B (zh) 一种基于深度注意力度量的小样本图像分类方法
Liu et al. MRD-NETS: multi-scale residual networks with dilated convolutions for classification and clustering analysis of spacecraft electrical signal
CN114494211A (zh) 一种基于红外热学分析的晶圆级气体传感器芯片检测方法
Rayhan et al. Classification of Grape Leaf Disease Using Convolutional Neural Network (CNN) with Pre-Trained Model VGG16

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