一种多模式传感器信息解耦方法技术

本申请涉及一种多模式传感器信息解耦方法。所述方法包括：通过接收多模式信息；并根据所述多模式信息，获取特征矩阵；再对所述特征矩阵进行降维，获取降维矩阵；进一步根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；从而对所述耦合矩阵进行解耦，得到独立信息输出矩阵。采用本方法能够解决无训练样本也能精确解耦的问题，从而提高信息的测量精度、实时性和自适应性。

An Information Decoupling Method for Multi-mode Sensors

This application relates to a multi-mode sensor information decoupling method. The method includes: receiving multi-mode information; obtaining feature matrix according to the multi-mode information; then reducing the dimension of the feature matrix to obtain the dimension reduction matrix; further obtaining the coupling matrix according to the feature matrix and the dimension reduction matrix; thus decoupling the coupling matrix and obtaining the independent information output matrix. This method can solve the problem that no training samples can be decoupled accurately, thus improving the measurement accuracy, real-time and self-adaptability of information.

【技术实现步骤摘要】
一种多模式传感器信息解耦方法
本申请涉及信息分析领域，特别是涉及一种多模式传感器信息解耦方法。
技术介绍
随着传感器技术的发展，出现了触觉传感器技术，触觉传感器技术普遍应用于机器人模仿皮肤对外界不同性质力的感知。然而，目前对于多模式传感器进行仿生组合中，一般采用压力-压电原理分别对静态力和动态力进行检测，因静态力与动态力之间相互作用，从而导致对信息的测量精度、实时性和自适应性低等问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种多模式传感器信息解耦方法。一种多模式传感器信息解耦方法，所述方法包括：接收多模式信息；根据所述多模式信息，获取特征矩阵；对所述特征矩阵进行降维，获取降维矩阵；根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；对所述耦合矩阵进行解耦，得到独立信息输出矩阵。在其中一个实施例中，所述对所述特征矩阵进行降维，获取降维矩阵包括：对所述特征矩阵进行预处理，获取零均值矩阵；根据所述零均值矩阵，获取特征向量矩阵；根据所述特征向量矩阵，获取降维矩阵。在其中一个实施例中，所述根据所述零均值矩阵，获取特征向量矩阵包括：计算所述零均值矩阵的协方差，获取特征向量和特征值；将所述特征向量根据所对应特征值从小到大进行排列，获取特征向量矩阵。在其中一个实施例中，所述根据所述特征向量矩阵，获取降维矩阵包括：将所述特征向量矩阵中特征向量按行进行分组，截取第一组作为所述降维矩阵。在其中一个实施例中，所述对所述耦合矩阵进行解耦，得到独立信息输出矩阵包括：根据所述耦合矩阵，获取初始解耦矩阵，根据所述耦合矩阵与所述初始解耦矩阵，获取独立信息输出矩阵。在其中一个实施例中，所述根据所述耦合矩阵，获取初始解耦矩阵包括：选取所述耦合矩阵中任意一对信息的特征向量，根据所述特征向量，计算所述特征向量的互信息，根据所述互信息，获取所述初始解耦矩阵。在其中一个实施例中，所述根据所述耦合矩阵与所述初始耦合矩阵，获取独立信息输出矩阵包括：根据所述初始解耦矩阵，对所述耦合矩阵进行训练，获取独立信息矩阵；通过解耦分离公式对所述独立信息矩阵进行解耦，获取独立信息输出矩阵。在其中一个实施例中，所述根据所述多模式信息，获取特征矩阵包括：提取所述多模式信息的特征信息，形成所述特征矩阵。上述多模式传感器信息解耦方法，通过接收多模式信息；并根据所述多模式信息，获取特征矩阵；再对所述特征矩阵进行降维，获取降维矩阵；进一步根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；从而对所述耦合矩阵进行解耦，得到独立信息输出矩阵，提高信息的测量精度、实时性和自适应性。附图说明图1为一个实施例中一种多模式传感器信息解耦方法的应用环境图；图2为一个实施例中一种多模式传感器信息解耦方法的流程示意图；图3为另一个实施例中一种多模式传感器信息解耦方法的流程示意图；图4为一个实施例中互信息几何原理示意图；图5为一个实施例中解耦原理示意图；图6为一个实施例中爬山迭代学习算法信号流程示意图；图7为一个实施例中一种多模式传感器信息解耦装置的结构框图；图8为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的多模式传感器信息解耦方法，可以应用于如图1所示的应用环境中。其中，机器人102通过网络与服务器104通过网络进行通信。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在一个实施例中，如图2所示，提供了一种多模式传感器信息解耦方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：步骤S100：接收多模式信息。在步骤S100中，多模式信息是指多模式传感器接收的不同种类传感器的信息。多模式传感器用于接收具有两个或者两个以上不同种类传感器的组合信息的传感器，并对所接收的信息进行处理。多模式触觉传感器用于接收具有两个或者两个以上不同种类触觉传感器的组合信息的传感器，并对所接收的信息进行处理。其中多模式触觉传感器可接收的信息种类包括但不限于温度触觉传感器、静态力传感器、瞬态力传感器和超声振动传感器组合。本申请中，主要以机器人102的感知为研究对象，通过网络与服务器104进行通信。机器人102对环境的感知，输出各种感知信号，并通过网络与服务器104进行通信，服务器104对所述各种感知信号进行分析，以判断各种感知信号之间的耦合关系。其中，网络包括3G、4G或者任意一种网络协议。步骤S200：根据所述多模式信息，获取特征矩阵。在步骤S200中，服务器104接收温度触觉传感器、静态力传感器、瞬态力传感器和超声振动传感器组合的任意两种或者两种以上传感器信息，也就是多模式信息，通过网络接收从各传感器输出的与之对应的感知信号，提取各个感知信号中的特征信号，形成特征矩阵，采用Xmn表示。例如，多模式信息包括温度传感器和静态力传感器的信息，提取信息中的特征信号，特征信号包括温度信号和静态力信号。其中，m为同种传感器采集信号数，n为传感系统中异构传感器数目。步骤S300：对所述特征矩阵进行降维，获取降维矩阵。在步骤S300中，当前由于数据记录以及属性规模的急剧增长，数据量有时过犹不及，数据太过庞大，对特定因素的处理反而产生不利影响。本申请对所述特征矩阵进行降维处理，获取降维矩阵，其中，降维矩阵采用W表示。其目的是排除特征矩阵间不存在耦合关系的特征信息。步骤S400：根据所述特征矩阵与所述降维矩阵，获取耦合矩阵。在步骤S400中，对各个感知信号中的特征信号进行提取，获取各个感知信号的特征信号向量，将所有感知信号产生的特征信号向量组合，形成一个特征矩阵Xmn。特征矩阵Xmn中的特征信号可能存在耦合关系，为了排除各个特征信号之间不存在耦合关系的特征信息，根据所述特征矩阵Xmn与所述降维矩阵W，获取耦合矩阵T，即特征矩阵X与降维矩阵W的乘积，表示为T＝WX。步骤S500：对所述耦合矩阵进行解耦，得到独立信息输出矩阵。在步骤S500中，通过所述特征矩阵Xmn与所述降维矩阵W，获取的耦合矩阵T，虽然已经对各个特征信号的特征信息进行了耦合关系的排除，但是各个特征信号的特征信息之间依然存在弱耦合关系，继续对耦合矩阵T进行非耦合关系信号的排除，得到独立信息输出矩阵。上述信息解耦方法，通过接收多模式信息；并根据所述多模式信息，获取特征矩阵；再根据所述特征矩阵，获取降维矩阵；进一步根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；从而对所述耦合矩阵进行解耦，得到独立信息输出矩阵。本申请的高维空间非相关理论的无监督解耦法至少具有如下优点：提出耦合成分分析法将较大的传感信号矩阵降维到仅有耦合传感信号的小矩阵，大大降低计算成本；提出基于无监督理论的空间独立迭代算法，解决无训练样本也能精确解耦的问题，从而提高信息的测量精度、实时性和自适应性。在其中一个实施例中，结合图3，所述步骤S300包括：步骤S310：对所述特征矩阵进行预处理，获取零均值矩阵。在步骤S310中，对特征矩阵Xmn进行预处理，得到零均值矩阵Ymn,以缩短多模式传感器传感论域不同导致的计算差异，计算公式为：由于多模式传感器所接收的不同种类传感器的信息，而不同本文档来自技高网...

【技术保护点】
1.一种多模式传感器信息解耦方法，其特征在于，所述方法包括：接收多模式信息；根据所述多模式信息，获取特征矩阵；对所述特征矩阵进行降维，获取降维矩阵；根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；对所述耦合矩阵进行解耦，得到独立信息输出矩阵。

【技术特征摘要】
1.一种多模式传感器信息解耦方法，其特征在于，所述方法包括：接收多模式信息；根据所述多模式信息，获取特征矩阵；对所述特征矩阵进行降维，获取降维矩阵；根据所述特征矩阵与所述降维矩阵，获取耦合矩阵；对所述耦合矩阵进行解耦，得到独立信息输出矩阵。2.根据权利要求1所述的方法，其特征在于，所述对所述特征矩阵进行降维，获取降维矩阵包括：对所述特征矩阵进行预处理，获取零均值矩阵；根据所述零均值矩阵，获取特征向量矩阵；根据所述特征向量矩阵，获取降维矩阵。3.根据权利要求2所述的方法，其特征在于，所述根据所述零均值矩阵，获取特征向量矩阵包括：计算所述零均值矩阵的协方差，获取特征向量和特征值；将所述特征向量根据所对应特征值从小到大进行排列，获取特征向量矩阵。4.根据权利要求2所述的方法，其特征在于，所述根据所述特征向量矩阵，获取降维矩阵包括：将所述特征向量矩阵中特征向量按行进行分组，截取第一组...

【专利技术属性】
技术研发人员：张建富，冯平法，罗文涛，郁鼎文，吴志军，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11