CN110472741B - 一种三域模糊小波宽度学习滤波系统及方法 - Google Patents

一种三域模糊小波宽度学习滤波系统及方法 Download PDF

Info

Publication number
CN110472741B
CN110472741B CN201910570515.8A CN201910570515A CN110472741B CN 110472741 B CN110472741 B CN 110472741B CN 201910570515 A CN201910570515 A CN 201910570515A CN 110472741 B CN110472741 B CN 110472741B
Authority
CN
China
Prior art keywords
domain
tremor
width learning
wavelet
fuzzy
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.)
Expired - Fee Related
Application number
CN201910570515.8A
Other languages
English (en)
Other versions
CN110472741A (zh
Inventor
林佳泰
刘治
章云
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910570515.8A priority Critical patent/CN110472741B/zh
Publication of CN110472741A publication Critical patent/CN110472741A/zh
Application granted granted Critical
Publication of CN110472741B publication Critical patent/CN110472741B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明公开了一种三域模糊小波宽度学习滤波系统及方法,方法包括：由windows的串口软件获取主从机械臂中传感器组采集的数据，通过窗口函数把时间序列提取为训练样本和测试样本；建立三域模糊小波宽度学习模型，并通过训练样本对其进训练；将测试样本输送至训练好的三域模糊小波宽度学习模型中进行预测，预测出震颤信号；根据基本滤波数学模型消除震颤信号。本发明对现有的宽度学习系统(BLS)进行改进，在其设计中加入模糊域，使得既能在时域和频域上提取潜在特征，又能在模糊域提取遥操作信号中震颤干扰的模糊特征，最后通过基本滤波数学模型消除该震颤信号，从而达到保证现有性能的基础上还能消除人手臂所引起的震颤干扰的目的。

Description

一种三域模糊小波宽度学习滤波系统及方法
技术领域
本发明涉及机器学习及滤波算法的技术领域，尤其涉及到一种三域模糊小波宽度学习滤波系统及方法。
背景技术
随着技术的发展和成熟，遥操作系统可以代替人类在恶劣环境中完成复杂任务。由于其鲁棒性强、精度高、可靠性好等优势，遥操作系统起到越来越重要的作用。然而，主从遥操作系统中的主端存在来自操作者的手臂震颤干扰。这将会影响操作的精度。
近年来，许多滤波算法被提出并应用去预测和补偿操作者的手部震颤带来的干扰。其中相关代表性的研究工作有：C.N.Riviere等人提出了一种权值-频率傅里叶线性变换算法(weighted-frequency Fourier linear combiner)简称WFLC。但是WFLC算法在后续的研究被指出高频分量会影响它的频率适应性。这迫使系统使用经典的带宽滤波器而出现了时延。为此，Y.Luo等人又提出了一种有限带宽的多尺度傅里叶变换算法(bandlimitedmultiple Fourier Linear Combiner)简称：BMFLC。随着研究的推进，还有更多的算法被提出包括：最小二乘支持向量机(least squares support vector machines)简称LS-SVM以及基于移动窗口的LS-SVM(moving window-based LS-SVM)简称MWLS-SVM等等。
然而这些现有的滤波算法都仅仅是在时域和频域中设计滤波的算法和模型，无法消除人手臂所引起的震颤干扰。
发明内容
本发明的目的在于克服现有技术的不足，提供一种能消除人手臂所引起的震颤干扰的三域模糊小波宽度学习滤波系统。
为实现上述目的，本发明所提供的技术方案为：
一种三域模糊小波宽度学习滤波系统，包括学习模型和滤波模型；而学习模型包括三层，分别为特征层、增量层以及输出层；
学习模型各层的具体如下：
特征层：把时间序列提取的样本作为输入：
X＝[I1,I2,I3]；
其中，I1,I2,I3分别对应x,y,z三个维度的样本；
输入样本在三域模糊小波子系统中映射出特征节点为：
Figure BDA0002110746720000021
其中，
Figure BDA0002110746720000022
为三域小波激励函数，a和b分别表示三域小波函数的参数，该些参数的值通过k-means算法确定；
三域小波激励函数
Figure BDA0002110746720000023
的映射规则如下：
Figure BDA0002110746720000024
其中，Φ(k),k＝1,...,M为第k个小波基函数，而
Figure BDA0002110746720000025
为第k个小波基函数对应的模糊度；
增量层：由多组特征节点串联为：
Figure BDA0002110746720000026
再以Ω映射出多组增量节点：
Hj＝ξ(ΩTWhj+βhj),j＝1,2,...,m；
其中，ξ代表激励函数，Whj，βhj分别表示随机生成的增量节点的权值和阈值，于是增量节点被串联为：
Hm＝[H1,H2,...,Hm]；
输出层：特征节点与增量节点串联并根据伪逆值算法直接求解获得输出层的权值矩阵：
Wout＝(ΩT,Hm)+Y；
其中，Y为样本中的参考输出，而(ΩT,Hm)+通过一下公式计算获得：
(ΩT,Hm)+＝[(ΩT，Hm)T(ΩT,Hm)-1](ΩT,Hm)T；
根据获得的权值参数在输出层中通过映射获得预测的震颤；
Figure BDA0002110746720000031
为实现上述目的，本发明另外提供一种三域模糊小波宽度学习滤波方法，其具体步骤如下：
S1：由windows的串口软件获取主从机械臂中传感器组采集的数据，通过窗口函数把时间序列提取为训练样本和测试样本；
S2：建立三域模糊小波宽度学习模型，并通过步骤S1提取到的训练样本对其进训练；
S3：将测试样本输送至训练好的三域模糊小波宽度学习模型中进行预测，预测出震颤信号；
S4：根据基本滤波数学模型消除震颤信号。
进一步地，所述步骤S3预测出震颤信号的过程如下：
S3-1：把时间序列提取的测试样本作为特征层输入：
X＝[I1，I2,I3]；
其中，I1，I2,I3分别对应x,y,z三个维度的样本；
S3-2：输入样本在三域模糊小波子系统中映射出特征节点为：
Figure BDA0002110746720000041
其中，
Figure BDA0002110746720000042
为三域小波激励函数，a和b分别表示三域小波函数的参数，该些参数的值通过k-means算法确定；
S3-3：增量层中由多组特征节点串联为：
Figure BDA0002110746720000043
以Ω映射出多组增量节点：
Hj＝ξ(ΩTWhj+βhj)，j＝1，2，...,m；
其中，ξ代表激励函数，Whj，βhj分别表示随机生成的增量节点的权值和阈值，于是增量节点被串联为：
Hm＝[H1,H2,...,Hm]；
S3-4：输出层中特征节点与增量节点串联，并根据伪逆值算法直接求解获得输出层的权值矩阵：
Wout＝(ΩT,Hm)+Y；
其中，
Figure BDA0002110746720000046
为样本中的参考输出，而(ΩT,Hm)+通过一下公式计算获得：
(ΩT,Hm)+＝[(ΩT,Hm)T(ΩT,Hm)-1](ΩT,Hm)T；
S3-5：根据获得的权值参数在输出层中通过映射获得预测的震颤；
Figure BDA0002110746720000044
进一步地，所述步骤S3-2中三域小波激励函数
Figure BDA0002110746720000045
的映射规则如下：
Figure BDA0002110746720000051
其中，Φ(k),k＝1,...,M为第k个小波基函数，而
Figure BDA0002110746720000052
为第k个小波基函数对应的模糊度。
进一步地，所述步骤S4根据基本滤波数学模型消除震颤信号，即：
Figure BDA0002110746720000053
其中，
Figure BDA0002110746720000054
为震颤的预测值，而o(k)＝u(k)+t(k)为期望信号u(k)受震颤t(k)干扰后的信号。
与现有技术相比，本方案原理和优点如下：
本方案对现有的宽度学习系统(BLS)进行改进，在其设计中加入模糊域，使得既能在时域和频域上提取潜在特征，又能在模糊域提取遥操作信号中震颤干扰的模糊特征，最后通过基本滤波数学模型消除该震颤信号，从而达到保证现有性能的基础上还能消除人手臂所引起的震颤干扰的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种三域模糊小波宽度学习滤波系统中学习模型的结构示意图；
图2为通过学习模型预测震颤信号的流程图；
图3为基本滤波原理示意图；
图4为主从遥操作系统实体图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的一种三域模糊小波宽度学习滤波系统(TDFW-BLS)，包括学习模型和滤波模型；而学习模型包括三层，分别为特征层、增量层以及输出层；
该系统在如图4所示的实际的主从遥操作系统中具有如下步骤：
S1：由windows的串口软件获取主从机械臂中传感器组采集的数据，通过窗口函数把时间序列提取为训练样本和测试样本；
S2：建立三域模糊小波宽度学习模型，并通过步骤S1提取到的训练样本对其进训练；
S3：将测试样本输送至训练好的三域模糊小波宽度学习模型中进行预测，预测出震颤信号。如图2所示，过程如下：
S3-1：把时间序列提取的测试样本作为特征层输入：
X＝[I1,I2,I3]；
其中，I1,I2,I3分别对应x,y,z三个维度的样本；
S3-2：输入样本在三域模糊小波子系统中映射出特征节点为：
Figure BDA0002110746720000061
其中，
Figure BDA0002110746720000062
为三域小波激励函数，a和b分别表示三域小波函数的参数，该些参数的值通过k-means算法确定；
三域小波激励函数
Figure BDA0002110746720000063
的映射规则如下：
Figure BDA0002110746720000071
其中，Φ(k),k＝1,...,M为第k个小波基函数，而
Figure BDA0002110746720000072
为第k个小波基函数对应的模糊度；
S3-3：增量层中由多组特征节点串联为：
Figure BDA0002110746720000073
以Ω映射出多组增量节点：
Hj＝ξ(ΩTWhj+βhj),j＝1,2,...,m；
其中，ξ代表激励函数，Whj，βhj分别表示随机生成的增量节点的权值和阈值，于是增量节点被串联为：
Hm＝[H1,H2,...,Hm]；
S3-4：输出层中特征节点与增量节点串联，并根据伪逆值算法直接求解获得输出层的权值矩阵：
Wout＝(ΩT,Hm)+Y；
其中，
Figure BDA0002110746720000074
为样本中的参考输出，而(ΩT,Hm)+通过一下公式计算获得：
(ΩT,Hm)+＝[(ΩT,Hm)T(ΩT,Hm)-1](ΩT,Hm)T；
S3-5：根据获得的权值参数在输出层中通过映射获得预测的震颤；
Figure BDA0002110746720000075
S4：如图3所示，根据基本滤波数学模型消除震颤信号，即：
Figure BDA0002110746720000076
其中，
Figure BDA0002110746720000077
为震颤的预测值，而o(k)＝u(k)+t(k)为期望信号u(k)受震颤t(k)干扰后的信号。
本实施例对现有的宽度学习系统(BLS)进行改进，在其设计中加入模糊域，使得既能在时域和频域上提取潜在特征，又能在模糊域提取遥操作信号中震颤干扰的模糊特征，最后通过基本滤波数学模型消除该震颤信号，从而达到保证现有性能的基础上还能消除人手臂所引起的震颤干扰的目的。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.一种三域模糊小波宽度学习滤波方法，其特征在于，包括以下步骤：
S1：由windows的串口软件获取主从机械臂中传感器组采集的数据，通过窗口函数把时间序列提取为训练样本和测试样本；
S2：建立三域模糊小波宽度学习模型，并通过步骤S1提取到的训练样本对其进训练；
S3：将测试样本输送至训练好的三域模糊小波宽度学习模型中进行预测，预测出震颤信号；
S4：根据基本滤波数学模型消除震颤信号；
所述步骤S3预测出震颤信号的过程如下：
S3-1：把时间序列提取的测试样本作为特征层输入：
X＝[I1,I2,I3]；
其中，I1,I2,I3分别对应x,y,z三个维度的样本；
S3-2：输入样本在三域模糊小波子系统中映射出特征节点为：
Figure FDA0003547204310000011
其中，
Figure FDA0003547204310000012
为三域小波激励函数，a和b分别表示三域小波函数的参数，该些参数的值通过k-means算法确定；
S3-3：增量层中由多组特征节点串联为：
Figure FDA0003547204310000013
以Ω映射出多组增量节点：
Hj＝ξ(ΩTWhj+βhj),j＝1,2,...,m；
其中，ξ代表激励函数，Whj，βhj分别表示随机生成的增量节点的权重向量和阈值，于是增量节点被串联为：
Hm＝[H1,H2,...,Hm]；
S3-4：输出层中特征节点与增量节点串联，并根据伪逆值算法直接求解获得输出层的权值矩阵：
Wout＝(ΩT,Hm)+Y；
其中，
Figure FDA0003547204310000021
为样本中的参考输出，而(ΩT,Hm)+通过一下公式计算获得：
(ΩT,Hm)+＝[(ΩT,Hm)T(ΩT,Hm)-1](ΩT,Hm)T；
S3-5：根据获得的权值参数在输出层中通过映射获得预测的震颤；
Figure FDA0003547204310000022
2.根据权利要求1所述的一种三域模糊小波宽度学习滤波方法，其特征在于，所述步骤S3-2中三域小波激励函数
Figure FDA0003547204310000023
的映射规则如下：
Figure FDA0003547204310000024
其中，Φ(k),k＝1,...,M为第k个小波基函数，而
Figure FDA0003547204310000025
为第k个小波基函数对应的模糊度。
3.根据权利要求1所述的一种三域模糊小波宽度学习滤波方法，其特征在于，所述步骤S4根据基本滤波数学模型消除震颤信号，即：
Figure FDA0003547204310000026
其中，
Figure FDA0003547204310000027
为震颤的预测值，而o(k)＝u(k)+t(k)为期望信号u(k)受震颤t(k)干扰后的信号。
CN201910570515.8A 2019-06-27 2019-06-27 一种三域模糊小波宽度学习滤波系统及方法 Expired - Fee Related CN110472741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910570515.8A CN110472741B (zh) 2019-06-27 2019-06-27 一种三域模糊小波宽度学习滤波系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910570515.8A CN110472741B (zh) 2019-06-27 2019-06-27 一种三域模糊小波宽度学习滤波系统及方法

Publications (2)

Publication Number Publication Date
CN110472741A CN110472741A (zh) 2019-11-19
CN110472741B true CN110472741B (zh) 2022-06-03

Family

ID=68506999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910570515.8A Expired - Fee Related CN110472741B (zh) 2019-06-27 2019-06-27 一种三域模糊小波宽度学习滤波系统及方法

Country Status (1)

Country Link
CN (1) CN110472741B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115326398B (zh) * 2022-10-17 2023-01-24 华东交通大学 一种基于模糊宽度学习模型的轴承故障诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577147A (zh) * 2017-09-08 2018-01-12 北京邮电大学 一种基于自适应Smith预估器的遥操作双边PID控制方法
CN108549709A (zh) * 2018-04-20 2018-09-18 福州大学 区块链内外多源异构数据基于广度学习算法的融合方法
CN108924385A (zh) * 2018-06-27 2018-11-30 华东理工大学 一种基于宽度学习的视频去抖动方法
CN108960339A (zh) * 2018-07-20 2018-12-07 吉林大学珠海学院 一种基于宽度学习的电动汽车感应电动机故障诊断方法
CN109271885A (zh) * 2018-08-29 2019-01-25 广东工业大学 一种基于宽度学习的鸟巢识别方法
CN109308521A (zh) * 2018-08-27 2019-02-05 广东工业大学 一种消除生理震颤的四元数宽度学习滤波方法
CN109615008A (zh) * 2018-12-11 2019-04-12 华中师范大学 基于堆叠宽度学习的高光谱图像分类方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150235133A1 (en) * 2012-09-12 2015-08-20 Nec Corporation Data concentration prediction device, data concentration prediction method, and recording medium recording program thereof
CN109635245A (zh) * 2018-09-29 2019-04-16 中国矿业大学 一种鲁棒宽度学习系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577147A (zh) * 2017-09-08 2018-01-12 北京邮电大学 一种基于自适应Smith预估器的遥操作双边PID控制方法
CN108549709A (zh) * 2018-04-20 2018-09-18 福州大学 区块链内外多源异构数据基于广度学习算法的融合方法
CN108924385A (zh) * 2018-06-27 2018-11-30 华东理工大学 一种基于宽度学习的视频去抖动方法
CN108960339A (zh) * 2018-07-20 2018-12-07 吉林大学珠海学院 一种基于宽度学习的电动汽车感应电动机故障诊断方法
CN109308521A (zh) * 2018-08-27 2019-02-05 广东工业大学 一种消除生理震颤的四元数宽度学习滤波方法
CN109271885A (zh) * 2018-08-29 2019-01-25 广东工业大学 一种基于宽度学习的鸟巢识别方法
CN109615008A (zh) * 2018-12-11 2019-04-12 华中师范大学 基于堆叠宽度学习的高光谱图像分类方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture;C. L. Philip Chen等;《IEEE Transactions on Neural Networks and Learning Systems》;20170721;第29卷(第1期);第10-24页 *
基于宽度学习方法的多模态信息融合;贾晨等;《智能系统学报》;20190131;第14卷(第1期);第150-157页 *
基于最小p-范数的宽度学习系统;郑云飞等;《模式识别与人工智能》;20190131;第32卷(第1期);第51-57页 *

Also Published As

Publication number Publication date
CN110472741A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN109635677B (zh) 基于多标签分类卷积神经网络的复合故障诊断方法及装置
CN109555566B (zh) 一种基于lstm的汽轮机转子故障诊断方法
Abed et al. A robust bearing fault detection and diagnosis technique for brushless DC motors under non-stationary operating conditions
CN104112072A (zh) 基于小波阈值去噪的主成分分析的工作模态参数识别方法
CN113567130A (zh) 基于设备多工况的轴承故障诊断方法
CN113008559B (zh) 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN110991295A (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN116599857B (zh) 一种适用于物联网多场景的数字孪生应用系统
CN110472741B (zh) 一种三域模糊小波宽度学习滤波系统及方法
CN111324110A (zh) 一种基于多块收缩自动编码器的发酵过程故障监测方法
CN116662743A (zh) 一种基于多模态深度学习的发动机剩余寿命预测方法
CN113733164B (zh) 一种基于电流检测的工业机器人故障诊断方法
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其系统
CN111855208A (zh) 一种基于阶次分析和稀疏编码的旋转机械微弱故障信号提取方法
CN114169091A (zh) 工程机械部件剩余寿命的预测模型建立方法及预测方法
DE102017130417A1 (de) Verfahren und vorrichtung zur überwachung des durchflusswiderstands in einem abgasnachbehandlungssystem
CN108548669B (zh) 一种工程装备传动系统故障诊断方法及系统
CN114692465B (zh) 桥梁损伤位置的无损识别方法、存储介质及设备
CN113836476B (zh) 一种基于智能手机的路面平整度测量方法
CN115809575A (zh) 一种工况传递路径分析方法
CN113988259B (zh) 基于vae-gru的火电机组运行参数的实时异常检测方法
Guo et al. Modified Morlet wavelet neural networks for fault detection
CN113627268A (zh) 模型训练方法、矿井提升机用减速器故障检测方法和装置
CN113962254B (zh) 一种知识驱动的工业机器人智能迁移故障诊断方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220603