CN111256906A - 基于堆栈稀疏自编码的多维力传感器的解耦方法 - Google Patents
基于堆栈稀疏自编码的多维力传感器的解耦方法 Download PDFInfo
- Publication number
- CN111256906A CN111256906A CN202010095341.7A CN202010095341A CN111256906A CN 111256906 A CN111256906 A CN 111256906A CN 202010095341 A CN202010095341 A CN 202010095341A CN 111256906 A CN111256906 A CN 111256906A
- Authority
- CN
- China
- Prior art keywords
- training
- sparse
- data
- encoder
- self
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Force Measurement Appropriate To Specific Purposes (AREA)
Abstract
基于堆栈稀疏自编码的多维力传感器的解耦方法。该方法包括以下步骤:步骤1,获取实验标定数据:步骤2,获取模拟噪声环境数据:步骤3,增加标定数据的维度:步骤4,堆栈稀疏自编码器预训练:步骤5,对预训练的堆栈稀疏自编码器进行微调,以提高模型的精确性;步骤6,将训练获得的堆栈稀疏自编码模型嵌入传感器及其采集系统中,并实际应用。本发明在堆栈自编码器和原创性的模拟噪声环境下传感器采集数据方法的基础上,提出了基于堆栈稀疏自编码的多维力传感器的解耦方法。为尽可能的降低环境噪声对传感器采集的数据的影响,本发明通过模拟噪声环境对传感器采集数据的影响,增强训练得到的模型的鲁棒性。
Description
技术领域
本发明涉及多维力传感器检测数据解耦领域,特别是涉及基于堆栈稀疏自编码的多维力传感器的解耦方法。
背景技术
多维力传感器作为一类精密性高、可靠性稳定的传感器,在汽车制造、生物力学、机器人、航空航天、轻纺工业、自动化流水线装配等领域得到了广泛的应用,并逐渐成为了不可或缺的核心部件。因此,多维力传感器测量的精度和可靠性成为了衡量传感器好坏的重要指标。
从目前的研究来看,增强多维力传感器测量精度主要有以下两大途径:优化传感器的结构和优化传感器的解耦算法。对前一种方法,其易受诸如传感器结构加工误差、应变片贴片位置等多种因素影响,导致在数据测量时引入了不确定因素,且很难对不确定因素进行校正。而对于后一种方法,随着软硬件技术的不断飞跃发展,大大降低了算法层面上的时间成本和计算成本,同时提高了算法的可实施性,因此得到了较多的成果。另一方面,实际的解耦模型需要克服环境噪声的干扰,同时能够有持续稳定的输出,这对算法解耦提出了更高的要求,而这也是算法解耦的难点之一。因此,设计一个具有良好的鲁棒性和稳定性高的解耦模型是非常有必要的。
国内涉及多维力传感器解耦方法的专利有“基于遗传算法的多维力传感器标定实验数据拟合方法”(201610232792.4),通过推导传感器耦合误差理论模型的系数求解公式,而后利用遗传算法在MATLAB软件上进行全局最优解的确定,从而解决数据拟合问题,但该专利中的遗传算法求得的最优解可能是局部最优而非全局最优,导致拟合误差增大。国家发明专利“一种多维力传感器动态解耦方法”(201910160583.7),该方法首先对传感器进行动态测试,而后对输出信号进行动态补偿,最后将经过补偿后的信号带入解耦模型中以实现解耦,但是该方法中并没有考虑到实际工业环境下嘈杂的噪声对传感器采集数据的影响,在实际应用中可能存在一定的局限性。由此可见,设计一个具有良好鲁棒性的多维力传感器是非常有必要的。
发明内容
为解决上述问题,本发明在堆栈自编码器和原创性的模拟噪声环境下传感器采集数据方法的基础上,提出了基于堆栈稀疏自编码的多维力传感器的解耦方法。为尽可能的降低环境噪声对传感器采集的数据的影响,本发明通过模拟噪声环境对传感器采集数据的影响,增强训练得到的模型的鲁棒性。另外,为了避免模型的过拟合和增强特征数据的可分性,本发明采用了堆栈稀疏自编码器,通过对传统的自编码器的网络隐藏层神经元添加稀疏惩罚因子以实现强制性稀疏限制,同时堆栈稀疏自编码的使用增强了网络模型的稳定性。为达此目的,本发明提供基于堆栈稀疏自编码的多维力传感器的解耦方法,具体步骤如下,其特征在于:
步骤1,获取实验标定数据:利用不同质量的砝码(力F)作用于多维力传感器(6维),通过采集系统获取相应的输出电压U;
步骤2,获取模拟噪声环境数据:向步骤1中获取的输出电压U中添加高斯白噪声以模拟噪声环境下所采集信号受到的干扰,此处的信噪比范围控制为20~30dB;
步骤3,增加标定数据的维度:将步骤2中得到的每4组的电压数据首尾拼接以得到Usplice,而后对Usplice归一化至[0,1]以生成训练数据Utrain;
步骤4,堆栈稀疏自编码器预训练:利用步骤3获得的数据,通过逐层贪婪训练出一个含有三个隐藏层的堆栈稀疏自编码器,其具体结构为“输入层-隐藏层1-隐藏层2-隐藏层3-输出层”,其中每层的神经元个数为24-20-16-12-6;
步骤5,对预训练的堆栈稀疏自编码器进行微调,以提高模型的精确性;
步骤6,将训练获得的堆栈稀疏自编码模型嵌入传感器及其采集系统中,并实际应用。
进一步,步骤2中模拟噪声环境下所采集的数据的过程可以表示为:
Us=Un+U
式中,U为原始电压数据,Un为高斯白噪声数据,Us表示得到的模拟噪声环境下采集的数据。
信噪比的定义如下:
式中,Ps表示信号的功率,Pn表示噪声的功率。
进一步,步骤3中对拼接后的样本Usplice归一化处理至[0,1]的过程可以表示为:
式中,Utrain为归一化后的训练数据,min()和max()分别表示最小值和最大值。
进一步,步骤4中堆栈稀疏自编码器预训练的具体步骤为:
步骤4.1,预先训练第一个稀疏自编码器;
步骤4.1的具体步骤为:
步骤4.1.1,第一个稀疏自编码的输入为Utrain,输出记为Uoutput,为了尽可能的减小输出与输入间的差异,传统的自编码器的损失函数可表示为:
第一项为网络模型输入与输出之间的误差部分,第二项是权重衰减项,目的是减小权重幅度。其中,N为训练样本的个数,λ为权重衰减系数,nl为网络模型的层数,sl、sl+1分别代表第l层和第l+1层网络神经元节点个数,代表第l层的第j个神经元与l+1层的第i个神经元之间的权重。
为了避免网络过拟合、充分挖掘数据特征信息和增强特征数据的可分性,稀疏自编码器在自动编码器的基础上对网络隐藏层神经元添加稀疏惩罚因子以实现强制性稀疏限制,即:
综上所述,稀疏自编码的损失函数具体定义为:
式中,β为稀疏惩罚因子的权重系数。
步骤4.1.2,利用梯度下降法反向修正稀疏自编码的各连接层之间的权重系数W和偏置系数b:
步骤4.1.3,在迭代过程中,当损失函数E小于e-4或达到初始设定的迭代终止次数,则模型训练结束,否则返回步骤4.1.1。
步骤4.2,预先训练第二个稀疏自编码器。即以第一个训练完成的编码器的隐含层作为第二个编码器的输入,训练的策略及参数更新准则与步骤4.1保持一致。
步骤4.3,预先训练第三个稀疏自编码器。即以第二个训练完成的编码器的隐含层作为第三个编码器的输入,此处的损失函数的有别于步骤4.1.1中的损失函数,即将Jsparse(W,b)中的Uoutput改为:第一个稀疏编码器输入数据Utrain相应的标定力F,模型的参数更新准则与步骤4.1保持一致。
步骤4.4,将步骤4.1-4.3得到的三个编码器的隐藏层连接在一起,形成“输入层-隐藏层1-隐藏层2-隐藏层3-输出层”所示结构的堆栈稀疏自编码器;
进一步,步骤5中对预训练的堆栈稀疏自编码器进行微调的具体描述为:
重新构建整体模型的损失函数,其中模型的输入为步骤3中获取的训练数据Utrain,训练的理论输出为Utrain相对应的标定力F。而后继续使用梯度下降法对网络参数进行更新,最后完成模型的微调,提高模型的精确性。
本发明基于堆栈稀疏自编码的多维力传感器的解耦方法,有益效果:本发明的技术效果在于:
1.本发明利用所提方法有效的模拟了多维力传感器在采集数据时受到的噪声环境的干扰,利用模拟噪声的数据训练解耦模型,增强了解耦模型在噪声环境下的鲁棒性;
2.本发明采用了堆栈稀疏自编码器,一方面:通过对传统的自编码器的网络隐藏层神经元添加稀疏惩罚因子以实现强制性稀疏限制,避免模型的过拟合和增强特征数据的可分性。另一方面:通过多隐藏层的堆叠和借助自编码器优异的非线性表达能力,增强了网络模型的稳定性和准确性。
附图说明
图1为本发明的流程图;
图2为本发明所用的解耦模型的网络结构图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了基于堆栈稀疏自编码的多维力传感器的解耦方法,旨在提高多维力传感器在噪声环境下数据解耦的鲁棒性,同时提高数据解耦的稳定性和准确性。图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
步骤1,获取实验标定数据:利用不同质量的砝码(力F)作用于多维力传感器(6维),通过采集系统获取相应的输出电压U;
步骤2,获取模拟噪声环境数据:向步骤1中获取的输出电压U中添加高斯白噪声以模拟噪声环境下所采集信号受到的干扰,此处的信噪比范围控制为20~30dB;
步骤2中模拟噪声环境下所采集的数据的过程可以表示为:
Us=Un+U
式中,U为原始电压数据,Un为高斯白噪声数据,Us表示得到的模拟噪声环境下采集的数据。
信噪比的定义如下:
式中,Ps表示信号的功率,Pn表示噪声的功率。
步骤3,增加标定数据的维度:将步骤2中得到的每4组的电压数据首尾拼接以得到Usplice,而后对Usplice归一化至[0,1]以生成训练数据Utrain;
步骤3中对拼接后的样本Usplice归一化处理至[0,1]的过程可以表示为:
式中,Utrain为归一化后的训练数据,min()和max()分别表示最小值和最大值。
步骤4,堆栈稀疏自编码器预训练:利用步骤3获得的数据,通过逐层贪婪训练出一个含有三个隐藏层的堆栈稀疏自编码器,其具体结构为“输入层-隐藏层1-隐藏层2-隐藏层3-输出层”,其中每层的神经元个数为24-20-16-12-6;
步骤4中堆栈稀疏自编码器预训练的具体步骤为:
步骤4.1,预先训练第一个稀疏自编码器;
步骤4.1的具体步骤为:
步骤4.1.1,第一个稀疏自编码的输入为Utrain,输出记为Uoutput,为了尽可能的减小输出与输入间的差异,传统的自编码器的损失函数可表示为:
第一项为网络模型输入与输出之间的误差部分,第二项是权重衰减项,目的是减小权重幅度。其中,N为训练样本的个数,λ为权重衰减系数,nl为网络模型的层数,sl、sl+1分别代表第l层和第l+1层网络神经元节点个数,代表第l层的第j个神经元与l+1层的第i个神经元之间的权重。
为了避免网络过拟合、充分挖掘数据特征信息和增强特征数据的可分性,稀疏自编码器在自动编码器的基础上对网络隐藏层神经元添加稀疏惩罚因子以实现强制性稀疏限制,即:
综上所述,稀疏自编码的损失函数具体定义为:
式中,β为稀疏惩罚因子的权重系数。
步骤4.1.2,利用梯度下降法反向修正稀疏自编码的各连接层之间的权重系数W和偏置系数b:
步骤4.1.3,在迭代过程中,当损失函数E小于e-4或达到初始设定的迭代终止次数,则模型训练结束,否则返回步骤4.1.1。
步骤4.2,预先训练第二个稀疏自编码器。即以第一个训练完成的编码器的隐含层作为第二个编码器的输入,训练的策略及参数更新准则与步骤4.1保持一致。
步骤4.3,预先训练第三个稀疏自编码器。即以第二个训练完成的编码器的隐含层作为第三个编码器的输入,此处的损失函数的有别于步骤4.1.1中的损失函数,即将Jsparse(W,b)中的Uoutput改为:第一个稀疏编码器输入数据Utrain相应的标定力F,模型的参数更新准则与步骤4.1保持一致。
步骤4.4,将步骤4.1-4.3得到的三个编码器的隐藏层连接在一起,形成“输入层-隐藏层1-隐藏层2-隐藏层3-输出层”所示结构的堆栈稀疏自编码器;
步骤5,对预训练的堆栈稀疏自编码器进行微调,以提高模型的精确性;
步骤5中对预训练的堆栈稀疏自编码器进行微调的具体描述为:
重新构建整体模型的损失函数,其中模型的输入为步骤3中获取的训练数据Utrain,训练的理论输出为Utrain相对应的标定力F。而后继续使用梯度下降法对网络参数进行更新,最后完成模型的微调,提高模型的精确性。
步骤6,将训练获得的堆栈稀疏自编码模型嵌入传感器及其采集系统中,并实际应用。
图2为本发明所用的解耦模型的网络结构图。该结构图中可简化为五大层:数据预处理层、隐含层1、隐含层2、隐含层3和输出层。其中的数据预处理层通过对传感器采集到的原始数据添加合适的高斯白噪声以模拟环境噪声的干扰,同时通过首尾拼接的方法提高解耦模型训练样本的维度,这在一定程度上避免了模型的过拟合。对于解耦模型的每个隐藏层,其来自于相应的稀疏自编码器的隐藏层。另外,利用前一个稀疏编码器的隐藏层作为下一个编码器的输入以获得下一个编码器的隐藏层。而后将训练得到的各稀疏编码器的隐藏层通过堆栈的方式连接到一起,再进行微调最终完成解耦模型的训练。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.基于堆栈稀疏自编码的多维力传感器的解耦方法,具体步骤如下,其特征在于:
步骤1,获取实验标定数据:利用不同质量的砝码(力F)作用于多维力传感器(6维),通过采集系统获取相应的输出电压U;
步骤2,获取模拟噪声环境数据:向步骤1中获取的输出电压U中添加高斯白噪声以模拟噪声环境下所采集信号受到的干扰,此处的信噪比范围控制为20~30dB;
步骤3,增加标定数据的维度:将步骤2中得到的每4组的电压数据首尾拼接以得到Usplice,而后对Usplice归一化至[0,1]以生成训练数据Utrain;
步骤4,堆栈稀疏自编码器预训练:利用步骤3获得的数据,通过逐层贪婪训练出一个含有三个隐藏层的堆栈稀疏自编码器,其具体结构为“输入层-隐藏层1-隐藏层2-隐藏层3-输出层”,其中每层的神经元个数为24-20-16-12-6;
步骤5,对预训练的堆栈稀疏自编码器进行微调,以提高模型的精确性;
步骤6,将训练获得的堆栈稀疏自编码模型嵌入传感器及其采集系统中,并实际应用。
4.根据权利要求1所述的基于堆栈稀疏自编码的多维力传感器的解耦方法,其特征在于:步骤4中堆栈稀疏自编码器预训练的具体步骤为:
步骤4.1,预先训练第一个稀疏自编码器;
步骤4.1的具体步骤为:
步骤4.1.1,第一个稀疏自编码的输入为Utrain,输出记为Uoutput,为了尽可能的减小输出与输入间的差异,传统的自编码器的损失函数可表示为:
第一项为网络模型输入与输出之间的误差部分,第二项是权重衰减项,目的是减小权重幅度,其中,N为训练样本的个数,λ为权重衰减系数,nl为网络模型的层数,sl、sl+1分别代表第l层和第l+1层网络神经元节点个数,代表第l层的第j个神经元与l+1层的第i个神经元之间的权重;
为了避免网络过拟合、充分挖掘数据特征信息和增强特征数据的可分性,稀疏自编码器在自动编码器的基础上对网络隐藏层神经元添加稀疏惩罚因子以实现强制性稀疏限制,即:
综上所述,稀疏自编码的损失函数具体定义为:
式中,β为稀疏惩罚因子的权重系数;
步骤4.1.2,利用梯度下降法反向修正稀疏自编码的各连接层之间的权重系数W和偏置系数b:
步骤4.1.3,在迭代过程中,当损失函数E小于e-4或达到初始设定的迭代终止次数,则模型训练结束,否则返回步骤4.1.1;
步骤4.2,预先训练第二个稀疏自编码器,即以第一个训练完成的编码器的隐含层作为第二个编码器的输入,训练的策略及参数更新准则与步骤4.1保持一致;
步骤4.3,预先训练第三个稀疏自编码器,即以第二个训练完成的编码器的隐含层作为第三个编码器的输入,此处的损失函数的有别于步骤4.1.1中的损失函数,即将Jsparse(W,b)中的Uoutput改为:第一个稀疏编码器输入数据Utrain相应的标定力F,模型的参数更新准则与步骤4.1保持一致;
步骤4.4,将步骤4.1-4.3得到的三个编码器的隐藏层连接在一起,形成“输入层-隐藏层1-隐藏层2-隐藏层3-输出层”所示结构的堆栈稀疏自编码器。
5.根据权利要求1所述的基于堆栈稀疏自编码的多维力传感器的解耦方法,其特征在于:步骤5中对预训练的堆栈稀疏自编码器进行微调的具体描述为:
重新构建整体模型的损失函数,其中模型的输入为步骤3中获取的训练数据Utrain,训练的理论输出为Utrain相对应的标定力F,而后继续使用梯度下降法对网络参数进行更新,最后完成模型的微调,提高模型的精确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095341.7A CN111256906B (zh) | 2020-02-17 | 2020-02-17 | 基于堆栈稀疏自编码的多维力传感器的解耦方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095341.7A CN111256906B (zh) | 2020-02-17 | 2020-02-17 | 基于堆栈稀疏自编码的多维力传感器的解耦方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111256906A true CN111256906A (zh) | 2020-06-09 |
CN111256906B CN111256906B (zh) | 2020-08-25 |
Family
ID=70945616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095341.7A Active CN111256906B (zh) | 2020-02-17 | 2020-02-17 | 基于堆栈稀疏自编码的多维力传感器的解耦方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111256906B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112378575A (zh) * | 2020-06-23 | 2021-02-19 | 襄阳达安汽车检测中心有限公司 | 一种汽车碰撞试验用假人多轴力传感器轴间串扰校准方法 |
CN116824303A (zh) * | 2023-07-06 | 2023-09-29 | 哈尔滨工业大学 | 基于损伤驱动和多模态多任务学习的结构巡检智能体导航方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832837A (zh) * | 2010-05-11 | 2010-09-15 | 东南大学 | 基于耦合误差建模的多维力传感器解耦方法 |
CN102297745A (zh) * | 2011-05-18 | 2011-12-28 | 上海理工大学 | 基于gm(0,2)模型的多维力传感器的静态解耦方法 |
CN103454029A (zh) * | 2013-09-03 | 2013-12-18 | 东南大学 | 基于卡尔曼滤波与多次采集的多维力线性解耦方法 |
US9289265B2 (en) * | 2013-07-10 | 2016-03-22 | The Johns Hopkins University | MRI-compatible, integrated force and torque sensors and systems that incorporate the sensors |
CN105651457A (zh) * | 2016-04-14 | 2016-06-08 | 东南大学 | 基于遗传算法的多维力传感器标定实验数据拟合方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
US20180073942A1 (en) * | 2016-09-13 | 2018-03-15 | The Board Of Trustees Of The Leland Stanford Junior University | Capacitive Force/Torque Sensor |
CN108896450A (zh) * | 2018-05-14 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN109141742A (zh) * | 2018-08-29 | 2019-01-04 | 南京工业大学 | 一种用于车轮力传感器的非线性解耦方法 |
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
CN109478116A (zh) * | 2016-07-22 | 2019-03-15 | 触觉实验室股份有限公司 | 悬停敏感触摸板 |
CN109614905A (zh) * | 2018-12-03 | 2019-04-12 | 中国人民解放军空军工程大学 | 一种雷达辐射源信号深度脉内特征自动提取方法 |
CN109614992A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 一种基于dssae的间歇过程故障诊断方法 |
CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
CN110286279A (zh) * | 2019-06-05 | 2019-09-27 | 武汉大学 | 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
-
2020
- 2020-02-17 CN CN202010095341.7A patent/CN111256906B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832837A (zh) * | 2010-05-11 | 2010-09-15 | 东南大学 | 基于耦合误差建模的多维力传感器解耦方法 |
CN102297745A (zh) * | 2011-05-18 | 2011-12-28 | 上海理工大学 | 基于gm(0,2)模型的多维力传感器的静态解耦方法 |
US9289265B2 (en) * | 2013-07-10 | 2016-03-22 | The Johns Hopkins University | MRI-compatible, integrated force and torque sensors and systems that incorporate the sensors |
CN103454029A (zh) * | 2013-09-03 | 2013-12-18 | 东南大学 | 基于卡尔曼滤波与多次采集的多维力线性解耦方法 |
CN105651457A (zh) * | 2016-04-14 | 2016-06-08 | 东南大学 | 基于遗传算法的多维力传感器标定实验数据拟合方法 |
CN109478116A (zh) * | 2016-07-22 | 2019-03-15 | 触觉实验室股份有限公司 | 悬停敏感触摸板 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
US20180073942A1 (en) * | 2016-09-13 | 2018-03-15 | The Board Of Trustees Of The Leland Stanford Junior University | Capacitive Force/Torque Sensor |
CN108896450A (zh) * | 2018-05-14 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
CN109141742A (zh) * | 2018-08-29 | 2019-01-04 | 南京工业大学 | 一种用于车轮力传感器的非线性解耦方法 |
CN109614992A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 一种基于dssae的间歇过程故障诊断方法 |
CN109614905A (zh) * | 2018-12-03 | 2019-04-12 | 中国人民解放军空军工程大学 | 一种雷达辐射源信号深度脉内特征自动提取方法 |
CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
CN110286279A (zh) * | 2019-06-05 | 2019-09-27 | 武汉大学 | 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
MA J , SONG A , XIAO J .: "A Robust Static Decoupling Algorithm for 3-Axis Force Sensors Based on Coupling Error Model and ε-SVR", 《SENSORS》 * |
厉敏: "大量程六维力传感器信号消噪及静态解耦研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
戴晓爱、郭守恒、任淯、杨晓霞、刘汉湖: "基于堆栈式稀疏自编码器的高光谱影像分类", 《电子科技大学学报》 * |
茅晨; 高翔; 徐国政; 宋爱国: "基于MSVR的六维腕力传感器静态解耦算法", 《数据采集与处理》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112378575A (zh) * | 2020-06-23 | 2021-02-19 | 襄阳达安汽车检测中心有限公司 | 一种汽车碰撞试验用假人多轴力传感器轴间串扰校准方法 |
CN112378575B (zh) * | 2020-06-23 | 2022-02-08 | 襄阳达安汽车检测中心有限公司 | 一种汽车碰撞试验用假人多轴力传感器轴间串扰校准方法 |
CN116824303A (zh) * | 2023-07-06 | 2023-09-29 | 哈尔滨工业大学 | 基于损伤驱动和多模态多任务学习的结构巡检智能体导航方法 |
CN116824303B (zh) * | 2023-07-06 | 2024-01-26 | 哈尔滨工业大学 | 基于损伤驱动和多模态多任务学习的结构巡检智能体导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111256906B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111256906B (zh) | 基于堆栈稀疏自编码的多维力传感器的解耦方法 | |
CN109828304B (zh) | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 | |
CN111272334A (zh) | 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法 | |
CN110083125A (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN111539132A (zh) | 一种基于卷积神经网络的动载荷时域识别方法 | |
CN107862170A (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
CN116911169A (zh) | 一种基于bp神经网络的edfa测试参数预测方法 | |
CN111256905B (zh) | 一种噪声环境下多维力传感器的解耦方法 | |
CN110108672B (zh) | 一种基于深度信念网络的气溶胶消光系数反演方法 | |
CN117892117B (zh) | 一种配电网输电线路故障定位方法及系统 | |
CN117709392A (zh) | 一种自动化多通道adc芯片性能评估测试方法及系统 | |
CN113820062B (zh) | 六维力传感器的温度补偿方法 | |
CN115128300A (zh) | 传感器优化布置下的结构动态载荷/参数联合识别方法 | |
CN108538301B (zh) | 一种基于神经网络音频技术的智能数码乐器 | |
CN102289715A (zh) | 基于前向线性预测的自适应小波神经网络去噪建模方法 | |
CN113188715A (zh) | 基于机器学习的多维力传感器静态校准数据处理方法 | |
CN114897004B (zh) | 一种基于深度学习Transformer模型的梯形堆积核脉冲识别方法 | |
CN110823996A (zh) | 可变检测面积的金属裂纹探伤成像仪 | |
WO2022188574A1 (zh) | 一种回归任务的深度学习方法和装置 | |
CN114722860A (zh) | 一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法 | |
CN118468933A (zh) | 一种温压一体化复合传感器快速自适应解耦方法 | |
JPH0214000A (ja) | 音声認識装置 | |
CN117520983B (zh) | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 | |
Li et al. | Self-supervised convolutional clustering for picking the first break of microseismic recording | |
CN115270960A (zh) | 一种基于深度神经网络的微电网阻抗辨识方法 |
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 |