一种基于振动信号的地形分类方法技术

本发明专利技术公开了一种基于振动信号的地形分类方法，包括离线训练、在线分类、在线修正三个部分，其优点在于：1)利用贝叶斯滤波器/平滑器能够显著提升地形分类精度；2)通过对平滑结果和分类结果的在线分析，能够筛选出错误分类的振动帧样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；4)平滑‑分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在地形突变时由于惯性导致的低精度问题。

【技术实现步骤摘要】
一种基于振动信号的地形分类方法
本专利技术涉及机器学习领域，特别是涉及一种基于振动信号的地形分类方法。
技术介绍
行星探测机器人在星球表面移动时会遇到各种地形，保证移动机器人安全地穿越地形、避免处于危险境地十分重要。以前的研究集中于基于激光雷达或视觉传感器的地形识别，这种方法能够识别地形上大的石块、陡坡等障碍物。移动机器人可以检测沟壑、上坡和下坡等地形.这些方法都是为了使机器人避开几何危害，然而地形本身也是有危害的，例如：移动机器人穿越疏松的沙地时可能陷入其中，但穿越压实的土地就没有这样的危险，这些危害称作“非几何危害”。因此，在人有限监督的情况下，移动机器人自治地识别地形的类型，即对地形进行分类，具有重要的意义，它能使机器人采取与地形相适应的驾驶风格，以安全有效地穿越不同的地形。地形分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，计算必要的评估指标，评估分类模型的性能。泛化能力是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。训练数据的完整性是决定泛化能力的一个主要因素。在现实中，往往很难在训练阶段将所有可能的样本收集完整，这就需要分类器能够在在线运行中主动进行增量学习，自我调整以达到最大的泛化能力。
技术实现思路
本专利技术技术克服现有技术的不足，解决了已有的地形分类器泛化能力不足的问题。本专利技术采用的技术方案如下：提出一种基于振动信号的地形分类方法，包括离线训练、在线分类、在线修正三个部分，其中：一种基于振动信号的地形分类方法，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：1、离线训练部分1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器2、在线预测部分2.1获取时间t的振动帧，转换得到样本st，利用分类器进行预测，得到地形预测结果2.2基于2.1获取的地形预测结果yt进行贝叶斯滤波，计算先验概率密度和后验概率密度如下所示：其中，xt表示时间t的真实地形，可以取{1,2,…,λ}共λ种地形，Yt＝{y1,y2,…,yt}表示从时间1到t的所有地形预测结果，为地形转移概率密度，为分类混淆概率密度，其中，一般可设定2.3基于2.2获取的后验概率密度可以得到yt的滤波值如下所示：3、在线校正部分3.1基于2.2获取的后验概率密度计算先验概率密度和后验概率密度如下所示：其中，k<t；3.2基于3.1获取的后验概率密度可以得到yk的平滑值如下所示：并存储得到平滑值序列其中，τ>0为延迟系数；3.3基于3.2获取的平滑值序列提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器的校正；同时，对进行统计得到混淆矩阵，用来调整进而隐式地实现了贝叶斯滤波器的校正。其中，所述的步骤1.4、2.1、3.3所述涉及的分类器为能够进行增量学习的分类器。其中，所述涉及的分类器为决策树、神经网络、支持向量机。本专利技术与现有技术相比，其优点在于：1)利用贝叶斯滤波器/平滑器能够显著提升地形分类精度；2)通过对平滑结果和分类结果的在线分析，能够筛选出错误分类的振动帧样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；3)平滑-分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在地形突变时由于惯性导致的低精度问题。附图说明图1为本专利技术一种基于振动信号的地形分类方法原理框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图与具体实施例对本专利技术进行详细说明。如图1所示，本专利技术公开了一种基于振动信号的地形分类方法，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：1、离线训练部分1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器2、在线预测部分2.1获取时间t的振动帧，转换得到样本st，利用分类器进行预测，得到地形预测结果2.2基于2.1获取的地形预测结果yt进行贝叶斯滤波，计算先验概率密度和后验概率密度如下所示：其中，xt表示时间t的真实地形，可以取{1,2,…,λ}共λ种地形，Yt＝{y1,y2,…,yt}表示从时间1到t的所有地形预测结果，为地形转移概率密度，为分类混淆概率密度，其中，一般可设定2.3基于2.2获取的后验概率密度可以得到yt的滤波值如下所示：3、在线校正部分3.1基于2.2获取的后验概率密度计算先验概率密度和后验概率密度如下所示：其中，k<t；3.2基于3.1获取的后验概率密度可以得到yk的平滑值如下所示：并存储得到平滑值序列其中，τ>0为延迟系数；3.3基于3.2获取的平滑值序列提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器的校正；同时，对进行统计得到混淆矩阵，用来调整进而隐式地实现了贝叶斯滤波器的校正。优选地，步骤1.4、2.1、3.3所涉及的分类器C为能够进行增量学习的分类器；进一步地，这些分类器可以为决策树、神经网络、支持向量机。提供以上实施例仅仅是为了描述本专利技术的目的，而并非要限制本专利技术的范围。本专利技术的范围由所附权利要求限定。不脱离本专利技术的精神和原理而做出的各种等同替换和修改，均应涵盖在本专利技术的范围之内。本文档来自技高网...

【技术保护点】
1.一种基于振动信号的地形分类方法，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：1、离线训练部分1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器

【技术特征摘要】
1.一种基于振动信号的地形分类方法，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：1、离线训练部分1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器2、在线预测部分2.1获取时间t的振动帧，转换得到样本st，利用分类器进行预测，得到地形预测结果2.2基于2.1获取的地形预测结果yt进行贝叶斯滤波，计算先验概率密度和后验概率密度如下所示：其中，xt表示时间t的真实地形，可以取{1,2,…,λ}共λ种地形，Yt＝{y1,y2,…,yt}表示从时间1到t的所有地...

【专利技术属性】
技术研发人员：康宇，吕文君，李泽瑞，昌吉，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34