CN114154625A - 一种多任务门控模糊神经网络算法及存储介质 - Google Patents

一种多任务门控模糊神经网络算法及存储介质 Download PDF

Info

Publication number
CN114154625A
CN114154625A CN202111510276.0A CN202111510276A CN114154625A CN 114154625 A CN114154625 A CN 114154625A CN 202111510276 A CN202111510276 A CN 202111510276A CN 114154625 A CN114154625 A CN 114154625A
Authority
CN
China
Prior art keywords
network
output
gated
representing
gating
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
Application number
CN202111510276.0A
Other languages
English (en)
Inventor
黄剑
王恩凯
李雨戈
傅中正
何欣润
陈诚
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.)
Huazhong University of Science and Technology
Ezhou Institute of Industrial Technology Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Ezhou Institute of Industrial Technology Huazhong University of Science and 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 Huazhong University of Science and Technology, Ezhou Institute of Industrial Technology Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111510276.0A priority Critical patent/CN114154625A/zh
Publication of CN114154625A publication Critical patent/CN114154625A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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

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)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

一种多任务门控模糊神经网络算法及存储介质，所述算法包括步骤：构建主网络和门控网络；获取传感器数据；获取模糊规则；计算主网络隶属度和门控网络隶属度；计算主网络触发强度和门控网络触发强度；计算主网络归一化触发强度和门控网络归一化触发强度；根据所述模糊规则和所述主网络归一化触发强度计算规则输出；根据所述门控网络归一化触发强度计算门控网络输出；根据所述门控网络输出和所述规则输出计算门控加权输出；根据所述门控加权输出计算任务分类结果输出；获取目标函数；使用所述目标函数对所述任务分类结果输出进行优化。本申请能够融合多模态传感器信息，并直接同时识别多种人体下肢运动意图，相比于其它方法更为简单高效。

Description

一种多任务门控模糊神经网络算法及存储介质
技术领域
本发明属于人体运动意图识别技术领域，具体涉及一种多任务门控模糊神经网络算法及存储介质。
背景技术
包括外骨骼、假肢、矫形器在内的下肢可穿戴机器人可以用于改善人类生活或增强人体能力，在康复医疗、军事、工业领域具有广阔的应用前景。精确识别人体运动意图是可穿戴机器人研究中的关键技术和主要挑战，能够增强可穿戴机器人的安全性、舒适性和智能化程度。目前在下肢可穿戴机器人的研究中，人体下肢运动意图可以分为离散型运动意图和连续型运动意图，相关的应用研究主要集中在以下几个方面：
(1)运动模式识别：识别人的运动模式(水平行走、上下楼梯、上下坡、跑步等)和运动模式转换(如从“水平行走”转换为“上楼梯”)，这是一种离散型运动意图；
(2)步态相位识别：人行走是一个周期性过程，根据人的脚趾接地和脚跟离地事件，一个步态周期通常可以分为8个步态相位，这是一种离散型运动意图；
(3)关节信息估计：估计和预测人体髋关节、膝关节、踝关节的角度、角速度或转矩，这是一种连续型运动意图；
(4)方向或速度估计：估计和预测人体行走的方向或者速度，这是一种连续型运动意图。
为了准确识别使用者的下肢运动意图，工程师们在人体和机器人上放置了许多传感器，如：肌电信号(EMG)传感器、惯性测量单元(IMU)、角度传感器、足底FSR压力传感器等。传感器融合技术可以对来自不同传感器的信息从时间或空间角度进行融合，消除冗余信息，保留互补信息，更精确地识别人体下肢运动意图。从融合对象的层次考虑，传感器融合根据融合层次可以分为数据级融合、特征级融合、决策级融合，目前已有一些研究提出了三个层次的传感器融合方法。文献《An extended kalman filter to estimate human gaitparameters and walking distance》(2013American Control Conference.IEEE,2013:752-757，BennettT,Jafari R,Gans N)提出使用扩展卡尔曼滤波方法对3个IMU进行数据级融合，来估计人行走时的下肢关节角度和行进距离。文献《Continuous locomotion-modeidentification for prosthetic legs based on neuromuscular–mechanical fusion》(IEEE Transactions on Biomedical Engineering,2011,58(10):2867-287，Huang H,Zhang F,Hargrove LJ,et al)中首先使用滑动窗口分别对EMG和机械传感器信号提取特征，然后使用支持向量机(SVM)进行特征级融合，实现了对运动模式和运动模式转换的识别，效果优于单模态传感器。文献《Anovel HMM distributed classifier for thedetection of gait phases by means of a wearable inertial sensor network》(Sensors,2014,14(9):16212-16234，Taborri J,Rossi S,Palermo E,et al)中使用隐马尔科夫模型(HMM)对3个IMU的数据进行决策级融合，实现对四个步态相位的识别。文献《Alow-cost end-to-end sEMG-based gait sub-phase recognition system》(IEEETransactions on Neural Systems and Rehabilitation Engineering,2019,28(1):267-276，Luo R,Sun S,Zhang X,et al)中使用长短期记忆(LSTM)神经网络分别对4个EMG传感器信号提取特征，然后使用多层感知器(MLP)融合特征实现对四个步态相位的识别。
但是，文献《An extended kalman filter to estimate human gait parametersand walking distance》、《Anovel HMM distributed classifier for the detection ofgait phases by means of a wearable inertial sensornetwork》和《A low-cost end-to-end sEMG-based gait sub-phase recognition system》的方法都是融合多个同一种类的传感器，没有考虑多模态传感器融合；文献《Continuous locomotion-modeidentification for prosthetic legs based on neuromuscular–mechanical fusion》的方法需要手动提取多种时域和频域特征，计算较为复杂，而且需要解决特征选择的问题；而文献《A low-cost end-to-end sEMG-based gait sub-phase recognition system》中使用的LSTM网络是一种深度神经网络，训练和计算代价大。在复杂环境下，为实现对下肢可穿戴机器人的精确控制，往往需要识别多种下肢运动意图，如同时识别人的步态相位和运动模式，而上述方法只能识别单一类别的下肢运动意图，无法利用不同运动意图之间的互补作用。
发明内容
鉴于上述问题，本发明提供克服上述问题或者至少部分地解决上述问题的一种多任务门控模糊神经网络算法及存储介质。
为解决上述技术问题，本发明提供了一种多任务门控模糊神经网络算法，所述算法包括步骤：
构建主网络和门控网络；
获取传感器数据；
获取模糊规则；
计算主网络隶属度和门控网络隶属度；
计算主网络触发强度和门控网络触发强度；
计算主网络归一化触发强度和门控网络归一化触发强度；
根据所述模糊规则和所述主网络归一化触发强度计算规则输出；
根据所述门控网络归一化触发强度计算门控网络输出；
根据所述门控网络输出和所述规则输出计算门控加权输出；
根据所述门控加权输出计算任务分类结果输出；
获取目标函数；
使用所述目标函数对所述任务分类结果输出进行优化。
优选地，所述主网络隶属度的表达式为：
Figure BDA0003404987280000041
其中，μr,d(xd)表示主网络隶属度，xd表示第d维传感器数据，cr,d表示高斯隶属度函数的中心值，σr,d表示高斯隶属度函数的标准差，cr,d和σr,d为模糊神经网络的前件参数。
优选地，所述主网络触发强度的表达式为：
Figure BDA0003404987280000042
其中，fr(x)表示主网络中第r条模糊规则的触发强度，μr,d(xd)表示主网络隶属度函数，xd表示第d维传感器数据，cr,d表示高斯隶属度函数的中心值，σr,d表示高斯隶属度函数的标准差，D表示传感器数据的总维度。
优选地，所述主网络归一化触发强度的表达式为：
Figure BDA0003404987280000043
其中，
Figure BDA0003404987280000044
表示主网络第r条模糊规则的归一化触发强度，fr(x)表示主网络第r条模糊规则的触发强度，fi(x)表示第i条模糊规则的触发强度，R表示模糊规则的数量。
优选地，所述规则输出的表达式为：
Figure BDA0003404987280000045
其中，pr(x)表示模糊规则输出，
Figure BDA0003404987280000046
表示主网络归一化触发强度，y(x)表示模糊规则的后件输出，ar,o表示偏差，ar,d表示权重，xd表示d维传感器数据，D表示传感器数据的维度。
优选地，所述门控网络输出的表达式为：
Figure BDA0003404987280000047
其中，
Figure BDA0003404987280000051
表示门控网络输出的权值，
Figure BDA0003404987280000052
表示门控网络归一化触发强度。
优选地，所述门控加权输出的表达式为：
Figure BDA0003404987280000053
其中，
Figure BDA0003404987280000054
表示主网络的门控加权输出，
Figure BDA0003404987280000055
表示门控网络输出的权值，pr(x)表示模糊规则输出。
优选地，所述任务分类结果输出的表达式为：
Figure BDA0003404987280000056
其中，yk表示任务最终分类结果输出，
Figure BDA0003404987280000057
表示主网络的门控加权输出，R表示模糊规则的数量。
优选地，所述目标函数的表达式为：
O＝c1L1+c2L2+…+ckLk，
其中，O表示目标函数，c1,c2,…ck分别表示k个任务的权值，L1,L2,…Lk分别表示k个任务的交叉熵损失函数。
本申请还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一所述多任务门控模糊神经网络算法。
本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：本申请提供的一种多任务门控模糊神经网络算法及存储介质，能够融合多模态传感器信息，并直接识别人体下肢运动意图，相比于其它先融合、再识别的方法，更为简单高效；首次提出多任务门控模糊神经网络，能够同时识别人体下肢运动模式和步态相位两种下肢运动意图；该模糊神经网络可以通过模糊规则自动提取模糊特征，无需预先对传感器数据进行特征提取和特征选择，可用于数据级多模态传感器融合；相对于深度神经网络，本申请提供的一种多任务门控模糊神经网络算法的网络参数少，训练和计算效率高；可应用于其它模式识别问题，是一种通用性较强的机器学习算法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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它的附图。
图1是本发明实施例提供的一种多任务门控模糊神经网络算法中的主网络结构图；
图2是本发明实施例提供的一种多任务门控模糊神经网络算法中的门控网络结构图；
图3是本发明实施例提供的一种多任务门控模糊神经网络算法的运动模式验证示意图；
图4是本发明实施例提供的一种多任务门控模糊神经网络算法的步态相位验证示意图；
图5是本发明实施例提供的一种多任务门控模糊神经网络算法的实验结果示意图。
具体实施方式
下文将结合具体实施方式和实施例，具体阐述本发明，本发明的优点和各种效果将由此更加清楚地呈现。本领域技术人员应理解，这些具体实施方式和实施例是用于说明本发明，而非限制本发明。
在整个说明书中，除非另有特别说明，本文使用的术语应理解为如本领域中通常所使用的含义。因此，除非另有定义，本文使用的所有技术和科学术语具有与本发明所属领域技术人员的一般理解相同的含义。若存在矛盾，本说明书优先。
除非另有特别说明，本发明中用到的各种原材料、试剂、仪器和设备等，均可通过市场购买得到或者可通过现有方法制备得到。
在本申请实施例中，本发明提供了一种多任务门控模糊神经网络算法，所述算法包括步骤：
S1：构建主网络和门控网络；
在本申请实施例中，如图1所示为本发明的主网络，该主网络共有8层，其中，输入层是D维的传感器数据，输出层是第k个任务的分类结果。
在本申请实施例中，如图2所示为本发明的门控网络，该门控网络共有5层，其中，输入层是D维的传感器数据，输出层是第k个任务相对于主网络模糊规则的权值向量。
S2：获取传感器数据；
在本申请实施例中，传感器数据可以通过各种传感器输出得到。
S3：获取模糊规则；
在本申请实施例中，假设规则库有R条模糊规则，第r条模糊规则的表达式为：
IF x1 is Ar,1Λ…ΛxD is Ar,D
Figure BDA0003404987280000071
其中，x＝(x1,…xd,…xD)为D维传感器数据。
S4：计算主网络隶属度和门控网络隶属度；
在本申请实施例中，主网络隶属度的表达式为：
Figure BDA0003404987280000072
其中，μr,d(xd)表示主网络隶属度，xd表示第d维传感器数据，cr,d表示高斯隶属度函数的中心值，σr,d表示高斯隶属度函数的标准差，cr,d和σr,d为模糊神经网络的前件参数。
在本申请实施例中，门控网络隶属度的表达式为：
Figure BDA0003404987280000081
其中，
Figure BDA0003404987280000082
表示第k个门控网络隶属度，xd表示第d维传感器数据，
Figure BDA0003404987280000083
表示第k个门控网络高斯隶属度函数的中心值，
Figure BDA0003404987280000084
表示第k个门控网络高斯隶属度函数的标准差。
S5：计算主网络触发强度和门控网络触发强度；
在本申请实施例中，所述主网络触发强度的表达式为：
Figure BDA0003404987280000085
其中，fr(x)表示主网络中第r条模糊规则的触发强度，μr,d(xd)表示主网络隶属度函数，xd表示第d维传感器数据，cr,d表示高斯隶属度函数的中心值，σr,d表示高斯隶属度函数的标准差，D表示传感器数据的总维度。
在本申请实施例中，门控网络触发强度的表达式为：
Figure BDA0003404987280000086
其中，
Figure BDA0003404987280000087
表示第k个门控网络中第r条模糊规则的触发强度，
Figure BDA0003404987280000088
表示第k个门控网络的隶属度函数，xd表示第d维传感器数据，
Figure BDA0003404987280000089
表示第k个门控网络高斯隶属度函数的中心值，
Figure BDA00034049872800000810
表示第k个门控网络高斯隶属度函数的标准差，D表示传感器数据的总维度。
S6：计算主网络归一化触发强度和门控网络归一化触发强度；
在本申请实施例中，所述主网络归一化触发强度的表达式为：
Figure BDA0003404987280000091
其中，
Figure BDA0003404987280000092
表示主网络第r条模糊规则的归一化触发强度，fr(x)表示主网络第r条模糊规则的触发强度，fi(x)表示第i条模糊规则的触发强度，R表示模糊规则的数量。
在本申请实施例中，门控网络归一化触发强度的表达式为：
Figure BDA0003404987280000093
其中，
Figure BDA0003404987280000094
表示第k个门控网络中第r条模糊规则的归一化触发强度，
Figure BDA0003404987280000095
表示第k个门控网络中第r条模糊规则的触发强度，
Figure BDA0003404987280000096
示第k个门控网络中第i条模糊规则的触发强度，xd表示第d维传感器数据，
Figure BDA0003404987280000097
表示第k个门控网络第r条模糊规则的高斯隶属度函数的中心值，
Figure BDA0003404987280000098
表示第k个门控网络第i条模糊规则的高斯隶属度函数的中心值，
Figure BDA0003404987280000099
表示第k个门控网络第r条模糊规则的高斯隶属度函数的标准差,
Figure BDA00034049872800000910
表示第k个门控网络第i条模糊规则的高斯隶属度函数的标准差，D表示传感器数据的总维度。
S7：根据所述模糊规则和所述主网络归一化触发强度计算规则输出；
在本申请实施例中，所述规则输出的表达式为：
Figure BDA00034049872800000911
其中，pr(x)表示模糊规则输出，
Figure BDA00034049872800000912
表示主网络归一化触发强度，y(x)表示模糊规则的后件输出，ar,o表示偏差，ar,d表示权重，xd表示d维传感器数据，D表示传感器数据的维度。
S8：根据所述门控网络归一化触发强度计算门控网络输出；
在本申请实施例中，所述门控网络输出的表达式为：
Figure BDA0003404987280000101
其中，
Figure BDA0003404987280000102
表示门控网络输出的权值，
Figure BDA0003404987280000103
表示门控网络归一化触发强度。
S9：根据所述门控网络输出和所述规则输出计算门控加权输出；
在本申请实施例中，所述门控加权输出的表达式为：
Figure BDA0003404987280000104
其中，
Figure BDA0003404987280000105
表示主网络的门控加权输出，
Figure BDA0003404987280000106
表示门控网络输出的权值，pr(x)表示模糊规则输出。
S10：根据所述门控加权输出计算任务分类结果输出；
在本申请实施例中，所述任务分类结果输出的表达式为：
Figure BDA0003404987280000107
其中，yk表示任务最终分类结果输出，
Figure BDA0003404987280000108
表示主网络的门控加权输出，R表示模糊规则的数量。
S11：获取目标函数；
在本申请实施例中，所述目标函数的表达式为：
O＝c1L1+c2L2+…+ckLk，
其中，O表示目标函数，c1,c2,…ck分别表示k个任务的权值，L1,L2,…Lk分别表示k个任务的交叉熵损失函数。
S12：使用所述目标函数对所述任务分类结果输出进行优化。
在本申请实施例中，采用Adam学习器通过小批量随机梯度下降的方法计算多任务模糊神经网络的模型参数，并使用目标函数对任务分类结果输出进行优化。
本申请提供的一种多任务门控模糊神经网络算法能够融合多模态传感器信息，并直接识别人体下肢运动意图，相比于其它先融合、再识别的方法，更为简单高效。该算法能够同时识别多种运动意图，不同运动意图识别任务之间既有通过主网络学习的共享知识，也有从门控网络中学习到的个性知识，因此能够利用不同运动意图之间的互补作用，能够更准确地识别下肢运动意图。此外，该算法的训练和计算效率较高，便于在线实时识别，也可应用于其他模式识别问题。
下面对本申请提供的一种多任务门控模糊神经网络算法进行了验证。
在本申请实施例中，使用本申请提供的一种多任务门控模糊神经网络算法融合肌动腿环传感器、IMU和足底压力传感器，同时识别常见的九种运动模式(站立、水平行走、上楼梯、下楼梯、上坡、下坡、奔跑、跳跃、跌倒，见附图3)和四个步态相位(左腿摆动、双支撑(重心右→左)、右腿摆动、双支撑(重心左→右)，见附图4)。
如图5，实验结果表明,本申请提供的一种多任务门控模糊神经网络算法对运动模式和步态相位的识别均达到了国际先进水平。
本申请还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一所述多任务门控模糊神经网络算法。
本申请提供的一种多任务门控模糊神经网络算法及存储介质，能够融合多模态传感器信息，并直接识别人体下肢运动意图，相比于其它先融合、再识别的方法，更为简单高效；首次提出多任务门控模糊神经网络，能够同时识别人体下肢运动模式和步态相位两种下肢运动意图；该模糊神经网络可以通过模糊规则自动提取模糊特征，无需预先对传感器数据进行特征提取和特征选择，可用于数据级多模态传感器融合；相对于深度神经网络，本申请提供的一种多任务门控模糊神经网络算法的网络参数少，训练和计算效率高；可应用于其它模式识别问题，是一种通用性较强的机器学习算法。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
总之，以上所述仅为本发明技术方案的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多任务门控模糊神经网络算法，其特征在于，所述算法包括步骤：
构建主网络和门控网络；
获取传感器数据；
获取模糊规则；
计算主网络隶属度和门控网络隶属度；
计算主网络触发强度和门控网络触发强度；
计算主网络归一化触发强度和门控网络归一化触发强度；
根据所述模糊规则和所述主网络归一化触发强度计算规则输出；
根据所述门控网络归一化触发强度计算门控网络输出；
根据所述门控网络输出和所述规则输出计算门控加权输出；
根据所述门控加权输出计算任务分类结果输出；
获取目标函数；
使用所述目标函数对所述任务分类结果输出进行优化。
2.根据权利要求1所述的多任务门控模糊神经网络算法，其特征在于，所述主网络隶属度的表达式为：
Figure FDA0003404987270000011
其中，μr,d(xd)表示主网络隶属度，xd表示第d维传感器数据，cr,d表示高斯隶属度函数的中心值，σr,d表示高斯隶属度函数的标准差，cr,d和σr,d为模糊神经网络的前件参数。
3.根据权利要求1所述的多任务门控模糊神经网络算法，其特征在于，所述主网络触发强度的表达式为：
Figure FDA0003404987270000012
其中，fr(x)表示主网络中第r条模糊规则的触发强度，μr,d(xd)表示主网络隶属度函数，xd表示第d维传感器数据，cr,d表示高斯隶属度函数的中心值，σr,d表示高斯隶属度函数的标准差，D表示传感器数据的总维度。
4.根据权利要求1所述的多任务门控模糊神经网络算法，其特征在于，所述主网络归一化触发强度的表达式为：
Figure FDA0003404987270000021
其中，
Figure FDA0003404987270000022
表示主网络第r条模糊规则的归一化触发强度，fr(x)表示主网络第r条模糊规则的触发强度，fi(x)表示第i条模糊规则的触发强度，R表示模糊规则的数量。
5.根据权利要求1所述的多任务门控模糊神经网络算法，其特征在于，所述规则输出的表达式为：
Figure FDA0003404987270000023
其中，pr(x)表示模糊规则输出，
Figure FDA0003404987270000024
表示主网络归一化触发强度，y(x)表示模糊规则的后件输出，ar,o表示偏差，ar,d表示权重，xd表示d维传感器数据，D表示传感器数据的维度。
6.根据权利要求1所述的多任务门控模糊神经网络算法，其特征在于，所述门控网络输出的表达式为：
Figure FDA0003404987270000025
其中，
Figure FDA0003404987270000026
表示门控网络输出的权值，
Figure FDA0003404987270000027
表示门控网络归一化触发强度。
7.根据权利要求1所述的多任务门控模糊神经网络算法，其特征在于，所述门控加权输出的表达式为：
Figure FDA0003404987270000028
其中，
Figure FDA0003404987270000031
表示主网络的门控加权输出，
Figure FDA0003404987270000032
表示门控网络输出的权值，pr(x)表示模糊规则输出。
8.根据权利要求1所述的多任务门控模糊神经网络算法，其特征在于，所述任务分类结果输出的表达式为：
Figure FDA0003404987270000033
其中，yk表示任务最终分类结果输出，
Figure FDA0003404987270000034
表示主网络的门控加权输出，R表示模糊规则的数量。
9.根据权利要求1所述的多任务门控模糊神经网络算法，其特征在于，所述目标函数的表达式为：
O＝c1L1+c2L2+…+ckLk，
其中，O表示目标函数，c1,c2,…ck分别表示k个任务的权值，L1,L2,…Lk分别表示k个任务的交叉熵损失函数。
10.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-9所述多任务门控模糊神经网络算法。
CN202111510276.0A 2021-12-10 2021-12-10 一种多任务门控模糊神经网络算法及存储介质 Pending CN114154625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111510276.0A CN114154625A (zh) 2021-12-10 2021-12-10 一种多任务门控模糊神经网络算法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111510276.0A CN114154625A (zh) 2021-12-10 2021-12-10 一种多任务门控模糊神经网络算法及存储介质

Publications (1)

Publication Number Publication Date
CN114154625A true CN114154625A (zh) 2022-03-08

Family

ID=80450663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111510276.0A Pending CN114154625A (zh) 2021-12-10 2021-12-10 一种多任务门控模糊神经网络算法及存储介质

Country Status (1)

Country Link
CN (1) CN114154625A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115966016A (zh) * 2022-12-19 2023-04-14 天翼爱音乐文化科技有限公司 一种跳跃状态识别方法、系统、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115966016A (zh) * 2022-12-19 2023-04-14 天翼爱音乐文化科技有限公司 一种跳跃状态识别方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Bartlett et al. A phase variable approach for IMU-based locomotion activity recognition
Chamroukhi et al. Joint segmentation of multivariate time series with hidden process regression for human activity recognition
Wang et al. Integral real-time locomotion mode recognition based on GA-CNN for lower limb exoskeleton
Attal et al. Automatic recognition of gait phases using a multiple-regression hidden Markov model
US8442832B2 (en) Apparatus for context awareness and method using the same
Farah et al. Gait phase detection from thigh kinematics using machine learning techniques
Khodabandelou et al. A fuzzy convolutional attention-based GRU network for human activity recognition
Li et al. An adaptive and on-line IMU-based locomotion activity classification method using a triplet Markov model
KR102449905B1 (ko) 전자 장치 및 이의 제어 방법
Chinimilli et al. Human activity recognition using inertial measurement units and smart shoes
Peng et al. Locomotion prediction for lower limb prostheses in complex environments via sEMG and inertial sensors
Malshika Welhenge et al. Human activity classification using long short-term memory network
Jain et al. Ambient intelligence-based multimodal human action recognition for autonomous systems
Kuncan et al. A new approach for physical human activity recognition from sensor signals based on motif patterns and long-short term memory
Lu et al. MFE-HAR: multiscale feature engineering for human activity recognition using wearable sensors
Schmid et al. SVM versus MAP on accelerometer data to distinguish among locomotor activities executed at different speeds
CN114154625A (zh) 一种多任务门控模糊神经网络算法及存储介质
Urresty Sanchez et al. Fall detection using accelerometer on the user’s wrist and artificial neural networks
Yang et al. Inertial sensing for lateral walking gait detection and application in lateral resistance exoskeleton
Vu et al. Comparison of machine learning and deep learning-based methods for locomotion mode recognition using a single inertial measurement unit
Yoshida et al. A data-driven approach for online pre-impact fall detection with wearable devices
Bauman et al. Gait phase detection in walking and stairs using machine learning
Coelho et al. Human activity recognition based on convolutional neural network
Bao et al. Mobile phone-based internet of things human action recognition for E-health
Bonnet et al. Hidden markov models applied onto gait classification

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