本發(fā)明屬于仿生觸覺(jué)感知，具體涉及一種基于kpca-ics-bp的靈巧手滑覺(jué)信號(hào)識(shí)別方法。
背景技術(shù)：
1、當(dāng)前靈巧手應(yīng)用場(chǎng)景日益復(fù)雜，對(duì)滑覺(jué)信號(hào)的識(shí)別要求也越來(lái)越高?，F(xiàn)有的滑覺(jué)信號(hào)識(shí)別方法已不能有效應(yīng)對(duì)復(fù)雜多變的工況，亟需研究新的、高效的識(shí)別方法。傳統(tǒng)的滑覺(jué)信號(hào)識(shí)別方法主要包括時(shí)頻特征分析、支持向量機(jī)、k-近鄰分類等，這些方法往往受到樣本集是否線性可分、參數(shù)估計(jì)精度和訓(xùn)練樣本數(shù)目等因素影響，不僅計(jì)算量大、耗時(shí)多、識(shí)別率低，而且還需要人工進(jìn)行校驗(yàn)，難以獲得滿意的識(shí)別效果。
2、隨著人工智能技術(shù)的進(jìn)步，許多智能化算法應(yīng)運(yùn)而生。bp神經(jīng)網(wǎng)絡(luò)作為一種經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)模型，具有強(qiáng)大的非線性映射能力和自學(xué)習(xí)能力，在模式識(shí)別領(lǐng)域得到了廣泛應(yīng)用。然而，bp神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)結(jié)構(gòu)難以確定、學(xué)習(xí)速率選擇不當(dāng)、易陷入局部極小值等問(wèn)題，這些因素直接影響著網(wǎng)絡(luò)的預(yù)測(cè)精度和泛化能力。近年來(lái)，不少學(xué)者對(duì)bp神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法進(jìn)行了深入研究。
3、研究表明，bp神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)重、閾值和學(xué)習(xí)速率等關(guān)鍵參數(shù)的合理選取是提高其預(yù)測(cè)精度的關(guān)鍵。智能優(yōu)化算法常被用于bp神經(jīng)網(wǎng)絡(luò)關(guān)鍵參數(shù)的選取，包括遺傳算法（genetic?algorithm,?ga）、網(wǎng)格搜索法、粒子群優(yōu)化（particle?swarm?optimization,pso）算法、人工魚(yú)群算法（artificial?fish?swarm?algorithm,?afsa）、模擬退火算法、果蠅優(yōu)化算法（fruit?fly?optimization?algorithm,?foa）、灰狼優(yōu)化（grey?wolfoptimization,?gwo）算法等。通過(guò)實(shí)驗(yàn)表明，基于布谷鳥(niǎo)算法對(duì)bp神經(jīng)網(wǎng)絡(luò)的參數(shù)尋優(yōu)效果較其他方法更為優(yōu)秀，但同樣也存在一些不足，如尋優(yōu)精度不夠高、尋優(yōu)速度較慢、在算法后期易陷入局部最優(yōu)值等問(wèn)題。因此，如何進(jìn)一步提高bp神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的效率和精度，仍是當(dāng)前研究的重點(diǎn)和難點(diǎn)。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的是提供一種kpca-ics-bp的靈巧手滑覺(jué)信號(hào)識(shí)別方法，其中，kpca（kernel?principal?component?analysis）是一種常見(jiàn)的數(shù)據(jù)處理方式，常用于高維數(shù)據(jù)的降維，可用于提取數(shù)據(jù)的主要特征分量，改進(jìn)布谷鳥(niǎo)算法ics（improved?cuckoosearch）,bp（back?propagation）神經(jīng)網(wǎng)絡(luò)。
2、一種基于kpca-ics-bp的靈巧手滑覺(jué)信號(hào)識(shí)別方法，包括如下步驟：
3、步驟s1.使用感知器件采集靈巧手抓握物體過(guò)程中產(chǎn)生的滑覺(jué)信號(hào)數(shù)據(jù)；
4、步驟s2.對(duì)滑覺(jué)信號(hào)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，得到數(shù)據(jù)集特征矩陣；
5、步驟s3.利用kpca對(duì)數(shù)據(jù)集特征矩陣進(jìn)行數(shù)據(jù)降維，選擇累計(jì)方差貢獻(xiàn)率總和為95%的前n個(gè)主成分?jǐn)?shù)組矩陣代替原始特征矩陣，進(jìn)行降維處理；
6、步驟s4.設(shè)置模型的參數(shù)，鳥(niǎo)巢的個(gè)數(shù)n，最大迭代次數(shù)tmax，拋棄概率pb，權(quán)重w、閾值th和學(xué)習(xí)率lr的上下邊界，淘汰因子θ；
7、步驟s5.設(shè)置適應(yīng)度函數(shù)；用模型預(yù)測(cè)準(zhǔn)確率作為適應(yīng)度函數(shù)，準(zhǔn)確率計(jì)算方法為預(yù)測(cè)準(zhǔn)確樣本個(gè)數(shù)與總體樣本數(shù)的比值；
8、步驟s6.將降維后的數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，用帶有標(biāo)簽的訓(xùn)練集訓(xùn)練kpca-ics-bp模型并利用ics優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的權(quán)重w、閾值th和學(xué)習(xí)率lr；
9、步驟s7.選取最優(yōu)權(quán)重w、閾值th和學(xué)習(xí)率lr作為bp模型的訓(xùn)練參數(shù)，構(gòu)建最優(yōu)bp模型；
10、步驟s8.使用訓(xùn)練好的kpca-ics-bp模型對(duì)無(wú)標(biāo)簽的測(cè)試集中的滑覺(jué)信號(hào)進(jìn)行識(shí)別，也就是把滑覺(jué)信號(hào)測(cè)試集作為輸入數(shù)據(jù)，輸入到訓(xùn)練好的kpca-ics-bp模型進(jìn)行計(jì)算，統(tǒng)計(jì)識(shí)別準(zhǔn)確率和總運(yùn)行時(shí)間。
11、上述步驟s1的具體過(guò)程為：
12、
13、其中x*是歸一化后數(shù)據(jù)集特征矩陣，x是歸一化前數(shù)據(jù)集特征矩陣，mean(x)是數(shù)據(jù)集特征矩陣的均值，std(x)是數(shù)據(jù)集特征矩陣的標(biāo)準(zhǔn)差，標(biāo)準(zhǔn)化的結(jié)果為（0,1）之間。
14、上述步驟s4的具體過(guò)程為：
15、用均方差作為適應(yīng)度函數(shù)，均方差越小，模型精度越高：
16、。
17、本文提出的kpca-ics-bp的識(shí)別方法通過(guò)數(shù)據(jù)降維、改進(jìn)的布谷鳥(niǎo)搜索算法對(duì)bp優(yōu)化網(wǎng)絡(luò)權(quán)重w、閾值th和學(xué)習(xí)率lr，克服了傳統(tǒng)方法難以獲得最優(yōu)模型參數(shù)的缺陷，改善了滑覺(jué)信號(hào)識(shí)別效果通過(guò)與經(jīng)典滑覺(jué)信號(hào)識(shí)別方法進(jìn)行對(duì)比測(cè)試，本發(fā)明大幅度提高了滑覺(jué)信號(hào)識(shí)別的準(zhǔn)確率，為靈巧手滑覺(jué)信號(hào)識(shí)別提供了一種新的研究思路。
1.一種基于kpca-ics-bp的靈巧手滑覺(jué)信號(hào)識(shí)別方法，其特征在于包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于kpca-ics-bp的靈巧手滑覺(jué)信號(hào)識(shí)別方法，其特征在于，所述步驟s1的具體過(guò)程為：
3.根據(jù)權(quán)利要求1所述的基于kpca-ics-svm的靈巧手滑覺(jué)信號(hào)識(shí)別方法，其特征在于，所述步驟s4的具體過(guò)程為：