[发明专利]一种基于CAE-SVM的机器人手势识别方法

权利要求书

1.基于CAE-SVM的机器人手势识别方法，具体步骤如下，其特征在于,

步骤1：使用肌电采集传感器采集的表面肌电信号样本，同时制作样本数据库，并划分训练样本和测试样本；

步骤2：构建CAE模型，确定CAE模型隐含层的层数、隐含层神经元的数目，压缩系数λ；

步骤3：将表面肌电信号送入CAE网络中，提取表面肌电信号的深层特征；

步骤4：将提取的肌电信号深层特征输入到SVM模型中进行分类；

所述的提取表面肌电信号的深层特征：

从训练好的CAE模型隐含层中提取深层特征，原始数据到提取深层特征的步骤分为:编码过程和解码过程；

编码过程是将原始数据x⁽ⁿ⁾输入到输入层在传到隐含层，实现对原始数据的编码：

h₁＝σ(W₁x⁽ⁿ⁾+b₁) (1)

其中，h₁是第一个隐含层的输出，σ是激活函数，W₁和b₁分别是权重和阈值；

解码过程是将隐含层提取的样本特征输出到输出层，实现对隐含层提取的样本特征的解码：

CAE网络在数据解码重构时，通过在损失函数中将雅可比矩阵F范数的平方作为约束项，即

其中λ是压缩比例系数，为雅可比矩阵F范数的平方，记为：

其中，h_i表示隐含层输出，W_ij表示CAE网络中层与层之间的连接权值；将最后一层隐含层的输出作为样本特征；

步骤5：将CAE-SVM模型输出的类别控制机器人动作；

所述的CAE-SVM模型：

设线性可分的样本集为(x_i,y_i)，其中i＝1,2,...,n，x_i是通过CAE网络提取的n个特征，y_i是手势的类别标号，通过间隔最大化学习得到分类的最优超平面为：

ω·x+b＝0 (5)

式中ω是法向量，决定了超平面的方向，b是位移量，决定超平面与原点的距离；相应的线性分类函数的一般形式为：

f(x)＝ω·x+b (6)

同时最优超平面使所有样本点满足：

|f(x)|≥1 (7)

SVM的支持向量是令式6成立的样本点。

2.根据权利要求1基于CAE-SVM的机器人手势识别方法，其特征在于：所述的构建CAE模型：CAE网络结构设置为1000-500-300-6的网络结构，压缩系数λ为0.003，最大迭代次数设置为300，学习率设置为0.05，激活函数设置为Sigmoid，误差函数采用均方根误差。

3.根据权利要求1基于CAE-SVM的机器人手势识别方法，其特征在于：所述的机器人动作：

手爪动作、手腕动作、手爪闭合、手爪张开、手腕顺时针旋转、手腕逆时针旋转，共6种机器人手臂动作类型。