一种基于SVM的机械手触觉数据表示识别方法技术

本发明专利技术提供了一种基于SVM的机械手触觉数据表示识别方法，包括触觉数据输入层、触觉数据编码层、触觉数据输出端和触觉数据支持向量网络；所述触觉数据编码层包括多头编码自注意力层和前馈神经网络层；本发明专利技术属于计算机领域，本发明专利技术的优点在于：使用压力数据（触觉数据）进行物体识别，可有效解决传统物体分类严重依赖计算机视觉方法的问题；传统的利用BP神经网络解决触觉分类问题在训练阶段需要大量的样本支持，并且当触觉数据维度很高的情况下会使模型复杂并且计算量变大，本发明专利技术使用少量样本即可完成对不同模式类的精准预测；由于传统的利用BP神经网络解决触觉分类问题容易产生过拟合，支持向量机可找到最佳的决策边界，有效避免过拟合出现。有效避免过拟合出现。有效避免过拟合出现。

【技术实现步骤摘要】
一种基于SVM的机械手触觉数据表示识别方法


[0001]本专利技术涉及计算机领域，特别指一种基于SVM的机械手触觉数据表示识别方法。

技术介绍

[0002]支持向量机（Support Vector Machine, SVM）可处理线性二分类与多分类任务、非线性二分类与多分类任务，普通连续型变量的回归、概率型连续变量的回归，支持向量聚类和异常值检测等问题；可广泛应用于手写识别数字、人脸识别、文本和超文本分类、图像识别、图像分割等模式识别任务，此外SVM还广泛被用于蛋白质分类。
[0003]计算机视觉和人工智能的发展使其在利用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等任务中表现非凡，但在弱光、曝光、空间狭小、计算力薄弱的条件下，利用视觉对物体进行分类处理就显得力不从心；触觉是人类在探索周边环境时不可替代的信息来源之一，其通过向中枢神经传输各种感受信息（例如光滑度、压力值、温度以及振动感等）帮助人类感知周围的环境；在传统的工作空间中，机械手需要抓取的物体的类别是有限的，因此机械手传感器产生的触觉数据是有限的，这就为正确的模式分类提供条件。

技术实现思路

[0004]（一）要解决的技术问题为解决现有技术上的问题，本专利技术提供一种基于SVM的机械手触觉数据表示识别方法，其目的在于解决：（1）解决传统物体分类严重依赖计算机视觉方法的问题；（2）传统的计算机视觉方案在识别正确后如需对物体进一步操作，还需进行额外的定位和机械手臂规划问题；（3）传统的利用BP神经网络解决触觉分类问题在训练阶段需要大量的样本支持，并且当触觉数据维度很高的情况下会使模型复杂并且计算量变大；（4）传统的利用BP神经网络解决触觉分类问题的容易产生过拟合。
[0005]（二）技术方案针对本专利技术要解决的技术问题，提出一种基于SVM的机械手触觉数据表示识别方法，包括触觉数据输入层、触觉数据编码层、触觉数据输出端和触觉数据支持向量网络；所述触觉数据编码层包括多头编码自注意力层和前馈神经网络层；（1）触觉数据输入层，将安装于机械手的压力传感器得到的压力数据进行归一化操作得到触觉数据TS，触觉数据TS的维度为4
×
24，将触觉数据TS进行位置编码嵌入得到触觉数据TS2，进行位置编码的原因是由于触觉数据TS的处理方式是一次输入集中处理，从而忽略了数据之间的时序关系，因此需对触觉数据TS进行位置编码来描述触觉数据TS各个分量之间的先后位置关系；（2）多头编码自注意力层，对输入到多头编码自注意力层的不同时间序列的触觉数据TS2计算相关性，具体操作步骤如下：
S1、生成每个分量的取值范围在
‑
1到1之间的特征矩阵W
q
、W
k
和W
v
，将特征矩阵W
q
、W
k
和W
v
设置为不可修改，特征矩阵W
q
、W
k
和W
v
的维度均为24
×
8；S2、通过特征矩阵W
q
、W
k
和W
v
生成查寻矩阵Q、键矩阵K和值矩阵V；S3、计算注意力分数Attention
‑
Score，具体计算公式为：上式中，d
k
为缩放因子，注意力分数Attention
‑
Score的维度为4
×
8；S4、引入多头机制计算多头注意力分数Multi
‑
Self
‑
Attention，重复执行S1、S2和S3，生成3个注意力分数Attention
‑
Score，并将这三个注意力分数按列拼接，得到多头注意力分数Multi
‑
Self
‑
Attention，其维度为4
×
24；S5、进行残差相加操作得到多头编码自注意力层的输出Out，具体计算公式如下：上式中，Out代表多头编码自注意力层的输出，Layer_Norm代表层归一化，Out的维度与触觉数据TS2的维度相同为4
×
24，每一行使用C1、C2、C3和C4代表，其维度均为1
×
24。
[0006]（3）前馈神经网络层，包括BP神经网络，所述BP神经网络有4个，所述BP神经网络包括第一层中间隐层和第二层中间隐层构成，其中第一层中间隐层和第二层中间隐层均含有24个神经元，每个BP神经网络的输入分别为C1、C2、C3和C4，计算步骤为：分别将C1、C2、C3和C4输入到对应的BP神经网络中计算得到F1、F2、F3、F4：上式中，b1表示第一层中间的偏置，b2表示第二层中间的偏置，W1为第一层中间隐层的内星权向量，W2为第二层中间隐层的内星权向量，F
i
为每个BP神经网络的输出，具体为F1、F2、F3、F4。
[0007]（4）触觉数据支持向量网络为一种强机器学习方法，用于对触觉数据编码层的输出数据进行最后的分类，具体计算步骤如下：S1、设训练集数据共有M个模式类，利用SVM中的one
‑
against
‑
one的方法是在每两个类之间都构造一个binary_SVM，因此共需要构造M个binary_SVM，用于第i个模式类和第j个模式类，构造binary_SVM的计算方式为：上式中，上标i和j表示第i类和第j类之间的参数，下标t表示第i类和第j类样本的索引，ψ表示输入空间到特征空间的非线性映射，欲求解上式的参数，等价于求解上式的对偶问题，求解后的用于判断i类与j类之间的决策函数表达式为：
上式中，x
new
为用于分类的触觉数据TS2，用于x
new
属于i类还是j类；S2、对于新的待分类的触觉数据TS2采用投票策略进行分类，每个binary_SVM根据决策函数对新的待分类的触觉数据TS2都对应一个预测投票结果，以i类和j类之间的binary_SVM为例，若对x
new
的预测为i类，则i类得票数加1；最终得票数最多的类别就是对新的待分类的触觉数据TS2最终预测final_wins。
[0008]（三）有益效果（1）使用压力数据（触觉数据）进行物体识别，可有效解决传统物体分类严重依赖计算机视觉方法的问题；（2）传统的计算机视觉方案在识别正确后如需对物体进一步操作，还需进行额外的定位和机械手臂规划问题，而基于触觉数据的方案可以实现“所触即所得”；（3）传统的利用BP神经网络解决触觉分类问题在训练阶段需要大量的样本支持，并且当触觉数据维度很高的情况下会使模型复杂并且计算量变大，本专利技术一种基于SVM的机械手触觉数据表示识别方法，使用多头注意力机制和支持向量机联合进行分类的方法，使用少量样本即可完成对不同模式类的精准预测；（4）由于传统的利用BP神经网络解决触觉分类问题容易产生过拟合，支持向量机（SVM）可找到最佳的决策边界，有效避免过拟合出现。
附图说明
...

【技术保护点】

【技术特征摘要】
1.一种基于SVM的机械手触觉数据表示识别方法，其特征在于：包括触觉数据输入层、触觉数据编码层、触觉数据输出端和触觉数据支持向量网络；所述触觉数据编码层包括，多头编码自注意力层和前馈神经网络层；所述触觉数据输入层将安装于机械手的压力传感器得到的压力数据进行归一化操作得到触觉数据TS，触觉数据TS的维度为4
×
24，将触觉数据TS进行位置编码嵌入得到触觉数据TS2，进行位置编码的原因是由于触觉数据TS的处理方式是一次输入集中处理，从而忽略了数据之间的时序关系，因此需对触觉数据TS进行位置编码来描述触觉数据TS各个分量之间的先后位置关系，具体位置编码的计算公式如下：上式中，d为触觉数据TS2的维度，p
i
代表位置i处的位置编码分量。2.根据权利要求1所述的一种基于SVM的机械手触觉数据表示识别方法，其特征在于：所述多头编码自注意力层，对输入到多头编码自注意力层的不同时间序列的触觉数据TS2计算相关性，具体操作步骤如下：S1、生成每个分量的取值范围在
‑
1到1之间的特征矩阵W
q
、W
k
和W
v
，将特征矩阵W
q
、W
k
和W
v
设置为不可修改，特征矩阵W
q
、W
k
和W
v
的维度均为24
×
8；S2、通过特征矩阵W
q
、W
k
和W
v
生成查寻矩阵Q、键矩阵K和值矩阵V，具体计算公式如下：上式中计算得到的查寻矩阵Q、键矩阵K和值矩阵V的维度均为4
×
8；S3、计算注意力分数Attention
‑
Score，具体计算公式为：上式中，d
k
为缩放因子，注意力分数Attention
‑
Score的维度为4
×
8；S4、引入多头机制计算多头注意力分数Multi
‑
Self
‑
Attention，重复执行S1、S2和S3，生成3个注意力分数Attention
‑
Score，并将这三个注意力分数按列拼接，得到多头注意力分数Multi
‑
Self
‑<...

【专利技术属性】
技术研发人员：冯蕾，杨景娜，禄雨薇，
申请(专利权)人：中国标准化研究院，
类型：发明
国别省市：