一种基于学习的振动信息地形分类识别方法技术

一种基于学习的振动信息地形分类识别方法，本发明专利技术涉及基于学习的振动信息地形分类识别方法。本发明专利技术为了解决现有分类识别方法准确率低的问题。本发明专利技术包括：一：采集传感器在坐标系下x轴、y轴和z轴方向振动信息的原始数据；二：将原始数据分割处理形成n个时长1s的向量；三：对n个向量进行地形类型标记；四：将分割后的n个向量转换到频域；五：将转换到频域后的n个向量利用多层前馈神经网络进行离线学习训练，得到训练后的多层前馈神经网络；六：实时在线获取振动数据，执行步骤二至步骤四，利用步骤五训练后的多层前馈神经网络进行在线分类识别，获得地形类型。本发明专利技术用于识别分类技术领域。

【技术实现步骤摘要】
一种基于学习的振动信息地形分类识别方法
本专利技术涉及识别分类
，具体涉及基于学习的振动信息地形分类识别方法。
技术介绍
1)快速傅里叶变换FFT(FastFourierTransformation)即快速傅里叶变换，是DFT(DiscreteFourierTransformation)的加速算法。它是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅里叶变换的算法进行改进获得的。其基本思想是把原始的N点序列，依次分解成一系列的短序列。充分利用DFT计算式中指数因子所具有的对称性质和周期性质，进而求出这些短序列相应的DFT并进行适当组合，达到删除重复计算，减少乘法运算和简化结构的目的。此后，在这思想基础上由开发了高基和分裂基等快速算法。2)神经网络神经网络是由大量的、简单的处理单元广泛的相互连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。主要具备并行分布处理、高度鲁棒性和容错能力、分布存储及学习能力、能充分逼近复杂的非线性关系等特点。典型的神经网络模型包括BP神经网络、Hopfield网本文档来自技高网...

【技术保护点】
1.一种基于学习的振动信息地形分类识别方法，其特征在于：所述基于学习的振动信息地形分类识别方法包括以下步骤：步骤一：采集传感器在本体坐标系下x轴、y轴和z轴方向振动信息的原始数据；步骤二：将步骤一采集到的振动信息的原始数据分割处理形成n个时长为t的向量；步骤三：对步骤二分割处理后的n个向量进行地形类型标记；步骤四：将分割后的n个向量转换到频域；步骤五：将转换到频域后的n个向量利用多层前馈神经网络进行离线学习训练，得到训练后的多层前馈神经网络；步骤六：实时在线获取振动数据，执行步骤二至步骤四，利用步骤五训练后的多层前馈神经网络进行在线分类识别，获得地形类型。

【技术特征摘要】
1.一种基于学习的振动信息地形分类识别方法，其特征在于：所述基于学习的振动信息地形分类识别方法包括以下步骤：步骤一：采集传感器在本体坐标系下x轴、y轴和z轴方向振动信息的原始数据；步骤二：将步骤一采集到的振动信息的原始数据分割处理形成n个时长为t的向量；步骤三：对步骤二分割处理后的n个向量进行地形类型标记；步骤四：将分割后的n个向量转换到频域；步骤五：将转换到频域后的n个向量利用多层前馈神经网络进行离线学习训练，得到训练后的多层前馈神经网络；步骤六：实时在线获取振动数据，执行步骤二至步骤四，利用步骤五训练后的多层前馈神经网络进行在线分类识别，获得地形类型。2.根据权利要求1所述一种基于学习的振动信息地形分类识别方法，其特征在于：所述步骤二中t的取值为1s～5s。3.根据权利要求1或2所述一种基于学习的振动信息地形分类识别方法，其特征在于：所述步骤二中时长为t的向量大小为1×100。4.根据权利要求3所述一种基于学习的振动信息地形分类识别方法，其特征在于：所述步骤三中地形类型包括：平地、草地、沙土、石子和草地石子。5.根据权利要求4所述一种基于学习的振动信息地形分类识别方法，其特征在于：所述步骤四中将分割后的n个向量转换到频域的具体过程为：将分割后的n个向量做标准化处理，即将每个向量归一化为均值为0和标准差为1；将标准化处理后的n个向量做快速傅里叶变换，将快速傅里叶变换后的每个向量归一化到[0,1]区间。6.根据权利要求5所述一种基于学习的振动信息地形分类识别方法，其特征在于：所述步骤五中将转换...

【专利技术属性】
技术研发人员：白成超，郭继峰，宋俊霖，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23