CN114662615A - 具有感应手柄的电动升降叉车及其控制方法 - Google Patents

具有感应手柄的电动升降叉车及其控制方法 Download PDF

Info

Publication number
CN114662615A
CN114662615A CN202210494881.1A CN202210494881A CN114662615A CN 114662615 A CN114662615 A CN 114662615A CN 202210494881 A CN202210494881 A CN 202210494881A CN 114662615 A CN114662615 A CN 114662615A
Authority
CN
China
Prior art keywords
feature map
feature
map
value
characteristic
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
Application number
CN202210494881.1A
Other languages
English (en)
Other versions
CN114662615B (zh
Inventor
戴肖肖
蒋连杰
张汉章
陈春喜
张建东
李博文
沈培彦
张建辉
王俊
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.)
Zhejiang Jialift Warehouse Equipment Co ltd
Original Assignee
Zhejiang Jialift Warehouse Equipment Co ltd
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 Zhejiang Jialift Warehouse Equipment Co ltd filed Critical Zhejiang Jialift Warehouse Equipment Co ltd
Priority to CN202210494881.1A priority Critical patent/CN114662615B/zh
Publication of CN114662615A publication Critical patent/CN114662615A/zh
Application granted granted Critical
Publication of CN114662615B publication Critical patent/CN114662615B/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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
    • B66F9/00—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes
    • B66F9/06—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes movable, with their loads, on wheels or the like, e.g. fork-lift trucks
    • B66F9/075—Constructional features or details
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
    • B66F9/00—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes
    • B66F9/06—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes movable, with their loads, on wheels or the like, e.g. fork-lift trucks
    • B66F9/075—Constructional features or details
    • B66F9/20—Means for actuating or controlling masts, platforms, or forks
    • B66F9/24—Electrical devices or systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Structural Engineering (AREA)
  • Transportation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Civil Engineering (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Geology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Forklifts And Lifting Vehicles (AREA)

Abstract

本申请涉及电动升降叉车的智能控制领域，其具体地公开了一种具有感应手柄的电动升降叉车及其控制方法，其能够根据基于用户的意图来控制叉车前进或后退的速度，也就是，从电阻片所采集的微电流信号中识别出用户的意图，比如，快速前进、慢速前进、快速后退、慢速后退，以此来智能地控制电动升降叉车的运动模式，进而使得电动升降叉车的操作更加智能化和简便化。

Description

具有感应手柄的电动升降叉车及其控制方法
技术领域
本发明涉及电动升降叉车的智能控制领域，且更为具体地，涉及一种具有感应手柄的电动升降叉车及其控制方法。
背景技术
电瓶叉车是以蓄电池为源动力，驱动行驶电机和油压系统电机，从而实现行驶与装卸作业。在新材料、新工艺方面，最重要的体现是晶体管控制器(SCR和MOS管)应用。它的出现使电动叉车的使用性能得到很大的提高，从总体上说，电动叉车的耐用性、可靠性和适用性都得到显著提高，完全可以与内燃机叉车相抗衡。
传统的电动升降叉车依靠于方向盘来进行叉车的控制，在操作中，操作人员需要不断的改变方向与调节速度，对用户的使用体验不太友好。随着电子控制技术的发展，一些电动升降叉车集成了感应手柄以通过用户触摸感应手柄所产生的感应信号来智能地控制叉车，例如，控制叉车的升降方向，或者，控制叉车前进或后退的方向。但这种控制仅限于方向的控制，依旧不能满足用户的需求，在实际使用过程中，用户期望控制电动叉车的速度，例如，升降速度、前进或后退的速度。现有的一些电动升降叉车会集成速度控制模块，例如，速度控制按钮，以调控速度的等级，虽然这能够实现用户对于速度控制的需求，但因用户需求操作两个不同的部位来实现对方向与速度的协同控制，这对于用户操作提出了较高要求。
因此，期望一种具有感应手柄的电动升降叉车，其能够基于用户的意图来协同控制电动叉车的方向和速度来提高用户体验。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种具有感应手柄的电动升降叉车及其控制方法，其能够根据基于用户的意图来控制叉车前进或后退的速度，也就是，从电阻片所采集的微电流信号中识别出用户的意图，比如，快速前进、慢速前进、快速后退、慢速后退，以此来智能地控制电动升降叉车的运动模式，进而使得电动升降叉车的操作更加智能化和简便化。
根据本申请的一个方面，提供了一种具有感应手柄的电动升降叉车，其包括：
微电流信号采集模块，用于通过部署于电动升降车叉车的感光手柄的第一电阻片和第二电阻片获取第一微电流信号和第二微电流信号；
第一深度编码模块，用于将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图；
第二深度编码模块，用于将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图；
第一特征修正单元，用于对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；
第二特征修正单元，用于对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；
特征图融合单元，用于融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图；以及
控制结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。
在上述具有感应手柄的电动升降叉车中，所述第一深度编码模块，进一步用于：所述卷积神经网络的各层在层的正向传递中对输入数据分别进行：基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为各个通道对应的特征矩阵的加权系数；以所述激活特征图中各个通道的加权系数对各个通道的所述特征矩阵进行加权以生成所述第一特征图。
在上述具有感应手柄的电动升降叉车中，所述第二深度编码模块，进一步用于：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
在上述具有感应手柄的电动升降叉车中，所述第一特征修正单元，进一步用于：以如下公式对所述第一特征图中各个位置的特征值进行参数化修正以获得所述第一修正后特征图；
其中，所述公式为：
Figure BDA0003632364530000031
其中fi,j,k为所述第一特征图的每个位置的特征值，且
Figure BDA0003632364530000032
是所述第一特征图的所有位置的特征值的均值，fi,j,k'为所述第一修正后特征图的每个位置的特征值。
在上述具有感应手柄的电动升降叉车中，所述第二特征修正单元，进一步用于：以如下公式对所述第二特征图中各个位置的特征值进行参数化修正以获得所述第二修正后特征图；
其中，所述公式为：
Figure BDA0003632364530000033
其中fi,j,k为所述第二特征图的每个位置的特征值，且
Figure BDA0003632364530000034
是所述第二特征图的所有位置的特征值的均值，fi,j,k'为所述第二修正后特征图的每个位置的特征值。
在上述具有感应手柄的电动升降叉车中，所述控制结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面，一种具有感应手柄的电动升降叉车的控制方法，其包括：
通过部署于电动升降车叉车的感光手柄的第一电阻片和第二电阻片获取第一微电流信号和第二微电流信号；
将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图；
将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图；
对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；
对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；
融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。
在上述具有感应手柄的电动升降叉车的控制方法中，将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图，包括：所述卷积神经网络的各层在层的正向传递中对输入数据分别进行：基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为各个通道对应的特征矩阵的加权系数；以所述激活特征图中各个通道的加权系数对各个通道的所述特征矩阵进行加权以生成所述第一特征图。
在上述具有感应手柄的电动升降叉车的控制方法中，将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图，包括：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
在上述具有感应手柄的电动升降叉车的控制方法中，对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，包括：以如下公式对所述第一特征图中各个位置的特征值进行参数化修正以获得所述第一修正后特征图；
其中，所述公式为：
Figure BDA0003632364530000051
其中fi,j,k为所述第一特征图的每个位置的特征值，且
Figure BDA0003632364530000052
是所述第一特征图的所有位置的特征值的均值，fi,j,k'为所述第一修正后特征图的每个位置的特征值。
在上述具有感应手柄的电动升降叉车的控制方法中，对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，包括：以如下公式对所述第二特征图中各个位置的特征值进行参数化修正以获得所述第二修正后特征图；
其中，所述公式为：
Figure BDA0003632364530000053
其中fi,j,k为所述第二特征图的每个位置的特征值，且
Figure BDA0003632364530000054
是所述第二特征图的所有位置的特征值的均值，fi,j,k'为所述第二修正后特征图的每个位置的特征值。
在上述具有感应手柄的电动升降叉车的控制方法中，将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型，包括：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
与现有技术相比，本申请提供的具有感应手柄的电动升降叉车及其控制方法，其能够根据基于用户的意图来控制叉车前进或后退的速度，也就是，从电阻片所采集的微电流信号中识别出用户的意图，比如，快速前进、慢速前进、快速后退、慢速后退，以此来智能地控制电动升降叉车的运动模式，进而使得电动升降叉车的操作更加智能化和简便化。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的具有感应手柄的电动升降叉车的的示意图。
图2A和图2B为根据本申请实施例的具有感应手柄的电动升降叉车的感应手柄的示意图。
图3为根据本申请实施例的具有感应手柄的电动升降叉车的框图。
图4为根据本申请实施例的具有感应手柄的电动升降叉车的控制方法的流程图。
图5为根据本申请实施例的具有感应手柄的电动升降叉车的控制方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，传统的电动升降叉车依靠于方向盘来进行叉车的控制，在操作中，操作人员需要不断的改变方向与调节速度，对用户的使用体验不太友好。随着电子控制技术的发展，一些电动升降叉车集成了感应手柄以通过用户触摸感应手柄所产生的感应信号来智能地控制叉车，例如，控制叉车的升降方向，或者，控制叉车前进或后退的方向。但这种控制仅限于方向的控制，依旧不能满足用户的需求，在实际使用过程中，用户期望控制电动叉车的速度，例如，升降速度、前进或后退的速度。现有的一些电动升降叉车会集成速度控制模块，例如，速度控制按钮，以调控速度的等级，虽然这能够实现用户对于速度控制的需求，但因用户需求操作两个不同的部位来实现对方向与速度的协同控制，这对于用户操作提出了较高要求。
因此，期望一种具有感应手柄的电动升降叉车，其能够基于用户的意图来协同控制电动叉车的方向和速度来提高用户体验。
图1图示了根据本申请实施例的电动升降叉车的立体示意图。图2A和图2B图示了根据本申请实施例的所述电动升降叉车的感光手柄的示意图。如图1所示，所述电动升降叉车包括叉车主体10和安装于所述叉车主体10的感应手柄20，其中，如图2A和图2B所示，所述感应手柄20包括至少一对感应电阻片，用于捕捉和采集用户的触摸控制信号。在如图2A和图2B所示意的示例中，所述至少一对感应电阻片包括一对感应电阻片，即，对应于左手的第一电阻片21和对应于右手的第二电阻片22。应可以理解，在本申请的技术方案中，可通过所述至少一对感应电阻片采集的感应信号作为控制触发信号来对所述电动升降叉车进行智能控制。
传统的具有感应手柄20的电动叉车的控制局限于对于方向的控制，而叉车的运行速度控制需依赖于另一个控制端，这对于用户操作不友好。经研究本申请发明人意识到在通过感应电阻片所采集的感应信号来驱动控制叉车时，也能够从所述感应信号中捕捉到用户的意图信号，例如，当用户猛压电阻片时，其期待能够加快速度，而当用户轻压电阻片时，其期待能够降低速度，这本质上是一个分类问题，也就是，对所述至少一对感应电阻片所采集的感应信号进行用户意图识别与分类，以基于用户的意图来控制叉车前进或后退的速度，也就是，从电阻片所采集的微电流信号中识别出用户的意图，比如，快速前进、慢速前进、快速后退、慢速后退等。
具体地，通过部署于电动升降车叉车的感光手柄的两个电阻片分别获取两个微电流信号以进行特征的提取，然后，对这两者的特征信息融合后进行分类处理，以生成电动升降叉车的控制类型。
基于此，在本申请的技术方案中，首先，通过部署于电动升降车叉车的感光手柄的第一电阻片21和第二电阻片22获取第一微电流信号和第二微电流信号。然后，为了分别更加关注到各个控制模式的差异性以及不均匀的特征分布空间中的局部特征，进一步通过使用通道注意力机制的第一卷积神经网络和空间注意力机制的第二卷积神经网络分别对第一微电流信号的波形图和第二微电流信号的波形图进行特征提取，以得到第一特征图和第二特征图，进而能够更好的根据不同的用户意图进行相应的控制。
但是，对于第一特征图F1和第二特征图F2，在分别通过通道注意力机制和空间注意力机制进行特征类别的聚簇强化的同时，也使得特征图中的扰动值更加偏离特征值的整体分布，因此需要进行修正。
具体地，对第一特征图F1和第二特征图F2分别进行参数化修正如下：
Figure BDA0003632364530000081
fi,j,k为特征图的每个位置的特征值，且
Figure BDA0003632364530000082
是特征图的所有位置的特征值的均值。
应可以理解，该参数化修正通过单变量类别差分的负对数来对特征值的特殊分布进行一般性概率化，这样，特征值中的扰动值作为特殊示例，将在整体概率分布内具有一定的隐蔽性，这样，就改进了特征图的整体表达性能，以提高了后续分类的准确性。
然后，将第一修正后特征图和第二修正后特征图进行融合，以控制最终的分类特征图中关于各个控制模式的差异性和不均匀的特征分布空间的局部特征之间的平衡。这样，再将分类特征图通过分类器以获得电动升降叉车的控制类型的分类结果，以基于用户的意图来进行电动升降叉车的智能控制，进而大大降低了操作人员的工作劳度，使得电动升降叉车的操作更加智能化和简便化。
基于此，本申请提出了一种具有感应手柄20的电动升降叉车，其包括：微电流信号采集模块，用于通过部署于电动升降车叉车的感光手柄的第一电阻片21和第二电阻片22获取第一微电流信号和第二微电流信号；第一深度编码模块，用于将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图；第二深度编码模块，用于将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图；第一特征修正单元，用于对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；第二特征修正单元，用于对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；特征图融合单元，用于融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图；以及，控制结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的具有感应手柄20的电动升降叉车的框图。如图2所示，根据本申请实施例的具有感应手柄20的电动升降叉车200，包括：微电流信号采集模块210，用于通过部署于电动升降车叉车的感光手柄的第一电阻片21和第二电阻片22获取第一微电流信号和第二微电流信号；第一深度编码模块220，用于将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图；第二深度编码模块230，用于将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图；第一特征修正单元240，用于对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；第二特征修正单元250，用于对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；特征图融合单元260，用于融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图；以及，控制结果生成单元270，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。
具体地，在本申请实施例中，所述微电流信号采集模块210，用于通过部署于电动升降车叉车的感光手柄的第一电阻片21和第二电阻片22获取第一微电流信号和第二微电流信号。如前所述，应可以理解，电动升降叉车如图1和图2所示，箭头指出的平面安装有感应电阻片，通过向手柄上施加一个向前或者向后的力，使得车辆前进或者后退。但是，在通过所述电阻片来驱动叉车时，期望能够基于用户的意图来控制所述叉车前进或后退的速度，也就是，通过操作人员握住所述感应电阻片时的用力大小来产生不同的感应微电流，这样从所述电阻片所采集的所述微电流信号中识别出用户的意图，比如，快速前进、慢速前进、快速后退、慢速后退。
考虑到这本质上也就是一个分类的问题，具体地，通过部署于所述电动升降车叉车的感光手柄的两个电阻片分别获取两个微电流信号以进行特征的提取，然后，对这两者的所述特征信息融合后进行分类处理，以生成所述电动升降叉车的控制类型。也就是，具体地，在本申请的技术方案中，首先，通过部署于电动升降车叉车的感光手柄的第一电阻片21和第二电阻片22获取第一微电流信号和第二微电流信号。
具体地，在本申请实施例中，所述第一深度编码模块220和所述第二深度编码模块230，将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图，并将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图。应可以理解，考虑到所述通道注意力机制能够更加关注到所述各个控制模式之间的差异性，而所述空间注意力机制能够更加关注到所述微电流的信号波形图中的不规则的特征分布的局部特征信息，进而得到隐含的特殊规律性。
因此，为了分别更加关注到所述各个控制模式的差异性以及所述不均匀的特征分布空间中的局部特征，在本申请的技术方案中，进一步通过使用所述通道注意力机制的第一卷积神经网络和所述空间注意力机制的第二卷积神经网络分别对所述第一微电流信号的波形图和所述第二微电流信号的波形图进行特征提取，以得到所述第一特征图和所述第二特征图，这样能够更好的根据不同的用户意图进行相应的控制。
更具体地，在本申请的实施例中，所述第一深度编码模块，进一步用于：所述卷积神经网络的各层在层的正向传递中对输入数据分别进行：首先，基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图。接着，对所述卷积特征图进行池化处理以生成池化特征图。然后，对所述池化特征图进行激活处理以生成激活特征图。接着，计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为各个通道对应的特征矩阵的加权系数。最后，以所述激活特征图中各个通道的加权系数对各个通道的所述特征矩阵进行加权以生成所述第一特征图。
更具体地，在本申请的实施例中，所述第二深度编码模块，进一步用于：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：首先，对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图。接着，对所述卷积特征图进行池化处理以生成池化特征图。然后，对所述池化特征图进行激活处理以生成激活特征图。接着，对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵。然后，对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量。最后，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图，其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
具体地，在本申请实施例中，所述第一特征修正单元240和所述第二特征修正单元250，用于对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行，并对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行。应可以理解，对于所述第一特征图F1和所述第二特征图F2，在分别通过所述通道注意力机制和所述空间注意力机制进行特征类别的聚簇强化的同时，也使得所述特征图中的扰动值更加偏离特征值的整体分布，因此需要进行修正。也就是，在本申请的技术方案中，进一步对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，并且对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图。
更具体地，在本申请实施例中，所述第一特征修正单元，进一步用于：以如下公式对所述第一特征图中各个位置的特征值进行参数化修正以获得所述第一修正后特征图；
其中，所述公式为：
Figure BDA0003632364530000121
其中fi,j,k为所述第一特征图的每个位置的特征值，且
Figure BDA0003632364530000122
是所述第一特征图的所有位置的特征值的均值，fi,j,k'为所述第一修正后特征图的每个位置的特征值。
更具体地，在本申请实施例中，所述第二特征修正单元，进一步用于：以如下公式对所述第二特征图中各个位置的特征值进行参数化修正以获得所述第二修正后特征图；
其中，所述公式为：
Figure BDA0003632364530000123
其中fi,j,k为所述第二特征图的每个位置的特征值，且
Figure BDA0003632364530000124
是所述第二特征图的所有位置的特征值的均值，fi,j,k'为所述第二修正后特征图的每个位置的特征值。
应可以理解，该所述参数化修正通过单变量类别差分的负对数来对所述特征值的特殊分布进行一般性概率化，这样，所述特征值中的扰动值作为特殊示例，将在整体概率分布内具有一定的隐蔽性，这样，就改进了所述特征图的整体表达性能，以提高了后续分类的准确性。
具体地，在本申请实施例中，所述特征图融合单元260和所述控制结果生成单元270，用于融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图，并将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。也就是，在本申请的技术方案中，进一步将所述第一修正后特征图和所述第二修正后特征图进行融合，在一个具体示例中，可以计算将所述第一修正后特征图和所述第二修正后特征图中的相应位置的加权和以得到分类特征图，进而控制最终的所述分类特征图中关于各个控制模式的差异性和不均匀的特征分布空间的局部特征之间的平衡。这样，再将所述分类特征图通过分类器以获得电动升降叉车的控制类型的分类结果，以基于所述用户的意图来进行所述电动升降叉车的智能控制，进而大大降低了操作人员的工作劳度，使得所述电动升降叉车的操作更加智能化和简便化。
更具体地，在本申请实施例中，所述控制结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述具有感应手柄20的电动升降叉车200被阐明，其能够根据基于用户的意图来控制叉车前进或后退的速度，也就是，从电阻片所采集的微电流信号中识别出用户的意图，比如，快速前进、慢速前进、快速后退、慢速后退，以此来智能地控制电动升降叉车的运动模式，进而使得电动升降叉车的操作更加智能化和简便化。
如上所述，根据本申请实施例的具有感应手柄20的电动升降叉车200可以实现在各种终端设备中，例如具有感应手柄20的电动升降叉车算法的服务器等。在一个示例中，根据本申请实施例的具有感应手柄20的电动升降叉车200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该具有感应手柄20的电动升降叉车200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该具有感应手柄20的电动升降叉车200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该具有感应手柄20的电动升降叉车200与该终端设备也可以是分立的设备，并且该具有感应手柄20的电动升降叉车200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了具有感应手柄20的电动升降叉车的控制方法的流程图。如图4所示，根据本申请实施例的具有感应手柄20的电动升降叉车的控制方法，包括步骤：S110，通过部署于电动升降车叉车的感光手柄的第一电阻片21和第二电阻片22获取第一微电流信号和第二微电流信号；S120，将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图；S130，将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图；S140，对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；S150，对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；S160，融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图；以及，S170，将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。
图5图示了根据本申请实施例的具有感应手柄20的电动升降叉车的控制方法的架构示意图。如图5所示，在所述具有感应手柄20的电动升降叉车的控制方法的网络架构中，首先，将获得的所述第一微电流信号的波形图(例如，如图5中所示意的P1)通过使用通道注意力机制的第一卷积神经网络(例如，如图5中所示意的CNN1)以获得第一特征图(例如，如图5中所示意的F1)；接着，将获得的所述第二微电流信号的波形图(例如，如图5中所示意的P2)通过使用空间注意力机制的第二卷积神经网络(例如，如图5中所示意的CNN2)以获得第二特征图(例如，如图5中所示意的F2)；然后，对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图(例如，如图5中所示意的F3)；接着，对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图(例如，如图5中所示意的F4)；然后，融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图(例如，如图5中所示意的F)；以及，最后，将所述分类特征图通过分类器(例如，如图5中所示意的分类器)以获得分类结果，所述分类结果为电动升降叉车的控制类型。
更具体地，在步骤S110中，通过部署于电动升降车叉车的感光手柄的第一电阻片21和第二电阻片22获取第一微电流信号和第二微电流信号。应可以理解，电动升降叉车如图1和图2所示，箭头指出的平面安装有感应电阻片，通过向手柄上施加一个向前或者向后的力，使得车辆前进或者后退。但是，在通过所述电阻片来驱动叉车时，期望能够基于用户的意图来控制所述叉车前进或后退的速度，也就是，通过操作人员握住所述感应电阻片时的用力大小来产生不同的感应微电流，这样从所述电阻片所采集的所述微电流信号中识别出用户的意图，比如，快速前进、慢速前进、快速后退、慢速后退。
考虑到这本质上也就是一个分类的问题，具体地，通过部署于所述电动升降车叉车的感光手柄的两个电阻片分别获取两个微电流信号以进行特征的提取，然后，对这两者的所述特征信息融合后进行分类处理，以生成所述电动升降叉车的控制类型。也就是，具体地，在本申请的技术方案中，首先，通过部署于电动升降车叉车的感光手柄的第一电阻片21和第二电阻片22获取第一微电流信号和第二微电流信号。
更具体地，在步骤S120和步骤S130中，将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图，并将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图。应可以理解，考虑到所述通道注意力机制能够更加关注到所述各个控制模式之间的差异性，而所述空间注意力机制能够更加关注到所述微电流的信号波形图中的不规则的特征分布的局部特征信息，进而得到隐含的特殊规律性。
因此，为了分别更加关注到所述各个控制模式的差异性以及所述不均匀的特征分布空间中的局部特征，在本申请的技术方案中，进一步通过使用所述通道注意力机制的第一卷积神经网络和所述空间注意力机制的第二卷积神经网络分别对所述第一微电流信号的波形图和所述第二微电流信号的波形图进行特征提取，以得到所述第一特征图和所述第二特征图，这样能够更好的根据不同的用户意图进行相应的控制。
更具体地，在步骤S140和步骤S150中，对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行，并对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行。应可以理解，对于所述第一特征图F1和所述第二特征图F2，在分别通过所述通道注意力机制和所述空间注意力机制进行特征类别的聚簇强化的同时，也使得所述特征图中的扰动值更加偏离特征值的整体分布，因此需要进行修正。也就是，在本申请的技术方案中，进一步对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，并且对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图。应可以理解，该所述参数化修正通过单变量类别差分的负对数来对所述特征值的特殊分布进行一般性概率化，这样，所述特征值中的扰动值作为特殊示例，将在整体概率分布内具有一定的隐蔽性，这样，就改进了所述特征图的整体表达性能，以提高了后续分类的准确性。
更具体地，在步骤S160和步骤S170中，融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图，并将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。也就是，在本申请的技术方案中，进一步将所述第一修正后特征图和所述第二修正后特征图进行融合，在一个具体示例中，可以计算将所述第一修正后特征图和所述第二修正后特征图中的相应位置的加权和以得到分类特征图，进而控制最终的所述分类特征图中关于各个控制模式的差异性和不均匀的特征分布空间的局部特征之间的平衡。这样，再将所述分类特征图通过分类器以获得电动升降叉车的控制类型的分类结果，以基于所述用户的意图来进行所述电动升降叉车的智能控制，进而大大降低了操作人员的工作劳度，使得所述电动升降叉车的操作更加智能化和简便化。
综上，基于本申请实施例的所述具有感应手柄20的电动升降叉车的控制方法被阐明，其能够根据基于用户的意图来控制叉车前进或后退的速度，也就是，从电阻片所采集的微电流信号中识别出用户的意图，比如，快速前进、慢速前进、快速后退、慢速后退，以此来智能地控制电动升降叉车的运动模式，进而使得电动升降叉车的操作更加智能化和简便化。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种具有感应手柄的电动升降叉车，其特征在于，包括：
微电流信号采集模块，用于通过部署于电动升降车叉车的感光手柄的第一电阻片和第二电阻片获取第一微电流信号和第二微电流信号；
第一深度编码模块，用于将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图；
第二深度编码模块，用于将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图；
第一特征修正单元，用于对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；
第二特征修正单元，用于对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；
特征图融合单元，用于融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图；以及
控制结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。
2.根据权利要求1所述的具有感应手柄的电动升降叉车，其中，所述第一深度编码模块，进一步用于：所述卷积神经网络的各层在层的正向传递中对输入数据分别进行：
基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行激活处理以生成激活特征图；
计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为各个通道对应的特征矩阵的加权系数；
以所述激活特征图中各个通道的加权系数对各个通道的所述特征矩阵进行加权以生成所述第一特征图。
3.根据权利要求2所述的具有感应手柄的电动升降叉车，其中，所述第二深度编码模块，进一步用于：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行激活处理以生成激活特征图；
对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；
对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及
以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；
其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
4.根据权利要求3所述的具有感应手柄的电动升降叉车，其中，所述第一特征修正单元，进一步用于：以如下公式对所述第一特征图中各个位置的特征值进行参数化修正以获得所述第一修正后特征图；
其中，所述公式为：
Figure FDA0003632364520000021
其中fi，j，k为所述第一特征图的每个位置的特征值，且
Figure FDA0003632364520000022
是所述第一特征图的所有位置的特征值的均值，fi，j，k′为所述第一修正后特征图的每个位置的特征值。
5.根据权利要求4所述的具有感应手柄的电动升降叉车，其中，所述第二特征修正单元，进一步用于：以如下公式对所述第二特征图中各个位置的特征值进行参数化修正以获得所述第二修正后特征图；
其中，所述公式为：
Figure FDA0003632364520000023
其中fi，j，k为所述第二特征图的每个位置的特征值，且
Figure FDA0003632364520000031
是所述第二特征图的所有位置的特征值的均值，fi，j，k′为所述第二修正后特征图的每个位置的特征值。
6.根据权利要求5所述的具有感应手柄的电动升降叉车，其中，所述控制结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
7.一种具有感应手柄的电动升降叉车的控制方法，其特征在于，包括：
通过部署于电动升降车叉车的感光手柄的第一电阻片和第二电阻片获取第一微电流信号和第二微电流信号；
将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图；
将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图；
对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，其中，所述对所述第一特征图中各个位置的特征值进行参数化修正基于以所述第一特征图中各个位置的特征值为幂的自然指数函数值与以所述第一特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；
对所述第二特征图中各个位置的特征值进行参数化修正以获得第二修正后特征图，其中，所述对所述第二特征图中各个位置的特征值进行参数化修正基于以所述第二特征图中各个位置的特征值为幂的自然指数函数值与以所述第二特征图中所有位置的特征值的均值为幂的自然指数函数值之差来进行；
融合所述第一修正后特征图和所述第二修正后特征图以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果为电动升降叉车的控制类型。
8.根据权利要求7所述的具有感应手柄的电动升降叉车的控制方法，其中，将所述第一微电流信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得第一特征图，包括：所述卷积神经网络的各层在层的正向传递中对输入数据分别进行：
基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行激活处理以生成激活特征图；
计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为各个通道对应的特征矩阵的加权系数；
以所述激活特征图中各个通道的加权系数对各个通道的所述特征矩阵进行加权以生成所述第一特征图。
9.根据权利要求8所述的具有感应手柄的电动升降叉车的控制方法，其中，将所述第二微电流信号的波形图通过使用空间注意力机制的第二卷积神经网络以获得第二特征图，包括：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行激活处理以生成激活特征图；
对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；
对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及
以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；
其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
10.根据权利要求9所述的具有感应手柄的电动升降叉车的控制方法，其中，对所述第一特征图中各个位置的特征值进行参数化修正以获得第一修正后特征图，包括：
以如下公式对所述第一特征图中各个位置的特征值进行参数化修正以获得所述第一修正后特征图；
其中，所述公式为：
Figure FDA0003632364520000051
其中fi，j，k为所述第一特征图的每个位置的特征值，且
Figure FDA0003632364520000052
是所述第一特征图的所有位置的特征值的均值，fi,j,k'为所述第一修正后特征图的每个位置的特征值。
CN202210494881.1A 2022-05-07 2022-05-07 具有感应手柄的电动升降叉车及其控制方法 Active CN114662615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210494881.1A CN114662615B (zh) 2022-05-07 2022-05-07 具有感应手柄的电动升降叉车及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210494881.1A CN114662615B (zh) 2022-05-07 2022-05-07 具有感应手柄的电动升降叉车及其控制方法

Publications (2)

Publication Number Publication Date
CN114662615A true CN114662615A (zh) 2022-06-24
CN114662615B CN114662615B (zh) 2022-10-21

Family

ID=82036571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210494881.1A Active CN114662615B (zh) 2022-05-07 2022-05-07 具有感应手柄的电动升降叉车及其控制方法

Country Status (1)

Country Link
CN (1) CN114662615B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111530A (zh) * 2023-09-27 2023-11-24 浙江加力仓储设备股份有限公司 通过手势的搬运车智能控制系统及其方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027630A (zh) * 2019-12-13 2020-04-17 安徽理工大学 一种基于卷积神经网络的图像分类方法
US20210215789A1 (en) * 2015-07-17 2021-07-15 Yuqian HU Method, apparatus, and system for wireless proximity sensing
WO2021252925A1 (en) * 2020-06-12 2021-12-16 University Of Central Florida Research Foundation, Inc. Cooperative lidar object detection via feature sharing in deep networks
CN113855008A (zh) * 2021-09-28 2021-12-31 黎川县梦施科技有限公司 可穿戴式体液监测装置及其运行方法
CN114037648A (zh) * 2021-02-04 2022-02-11 广州睿享网络科技有限公司 基于类Softmax函数信息熵的智能速率参数控制方法
CN114211975A (zh) * 2021-11-28 2022-03-22 厦门任鑫实业有限公司 用于电动汽车的充电报警系统及其工作方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210215789A1 (en) * 2015-07-17 2021-07-15 Yuqian HU Method, apparatus, and system for wireless proximity sensing
CN111027630A (zh) * 2019-12-13 2020-04-17 安徽理工大学 一种基于卷积神经网络的图像分类方法
WO2021252925A1 (en) * 2020-06-12 2021-12-16 University Of Central Florida Research Foundation, Inc. Cooperative lidar object detection via feature sharing in deep networks
CN114037648A (zh) * 2021-02-04 2022-02-11 广州睿享网络科技有限公司 基于类Softmax函数信息熵的智能速率参数控制方法
CN113855008A (zh) * 2021-09-28 2021-12-31 黎川县梦施科技有限公司 可穿戴式体液监测装置及其运行方法
CN114211975A (zh) * 2021-11-28 2022-03-22 厦门任鑫实业有限公司 用于电动汽车的充电报警系统及其工作方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SEONG-IK HAN等: "Decentralized neural network control for guaranteed tracking error constraint of a robot manipulator", 《INTERNATIONAL JOURNAL OF CONTROL, AUTOMATION AND SYSTEMS》 *
ZHENG-GUANG WU等: "Exponential Stabilization for Sampled-Data Neural-Network-Based Control Systems", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
刘峰等: "面向去中心化双重差分隐私的谱图卷积神经网络", 《信息网络安全》 *
顾默等: "基于时间卷积网络与图注意力网络的分行业日售电量预测方法", 《电网技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111530A (zh) * 2023-09-27 2023-11-24 浙江加力仓储设备股份有限公司 通过手势的搬运车智能控制系统及其方法
CN117111530B (zh) * 2023-09-27 2024-05-03 浙江加力仓储设备股份有限公司 通过手势的搬运车智能控制系统及其方法

Also Published As

Publication number Publication date
CN114662615B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN107533754B (zh) 在深度卷积网络中降低图像分辨率
CN114662615B (zh) 具有感应手柄的电动升降叉车及其控制方法
Chapelle et al. Model selection for support vector machines
Hamsici et al. Bayes optimality in linear discriminant analysis
Chen et al. Supervised kernel nonnegative matrix factorization for face recognition
Hoi et al. Biased support vector machine for relevance feedback in image retrieval
KR20180036709A (ko) 미디어 분류
CN107909145A (zh) 一种卷积神经网络模型的训练方法
US7162085B2 (en) Pattern recognition method and apparatus
CN112016450B (zh) 机器学习模型的训练方法、装置和电子设备
Jin et al. Gauss mixture hidden Markov model to characterise and model discretionary lane‐change behaviours for autonomous vehicles
CN108537193A (zh) 一种人脸属性中的种族属性识别方法及移动终端
Li et al. PURS: Personalized unexpected recommender system for improving user satisfaction
Manduchi Bayesian fusion of color and texture segmentations
CN111486571B (zh) 一种风向调整方法、装置、存储介质及出风设备
Bari et al. AestheticNet: deep convolutional neural network for person identification from visual aesthetic
CN113320449B (zh) 一种驾驶座椅自动调节方法、系统、介质及电子终端
Toda et al. Multilayer batch learning growing neural gas for learning multiscale topologies
Qian et al. Support Vector Machine for Behavior‐Based Driver Identification System
JP2019155554A (ja) ロボットの制御装置
Bi Multi-objective programming in SVMs
CN117764227A (zh) 一种用于加油站的客户流失预测装置
CN110110673B (zh) 一种基于双向2dpca和级联前向神经网络的人脸识别方法
Abadpour Rederivation of the fuzzy–possibilistic clustering objective function through Bayesian inference
CN111695507B (zh) 一种基于改进VGGNet网络和PCA的静态手势识别方法

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