论文研究-RBF神经网络在柔性触觉传感器解耦中的应用.pdf

所需积分/C币:10 2019-09-11 01:19:41 618KB .PDF
收藏 收藏
举报

针对柔性触觉传感器模型高度非线性、解耦难度大等问题,提出一种有效的方法来模拟柔性触觉传感器在实际应用中含噪声的情形。首先在理想条件下的传感器模型上添加不同幅度的高斯白噪声并建立其数学模型,之后通过K-均值和递归最小二乘法优化RBF神经网络,并利用优化后的RBF神经网络算法逼近受噪声干扰的传感器阻值与形变之间的高维非线性映射关系,最后基于不同的展开幅度通过行列阻值解耦出传感器三维形变信息,获得了较好的解耦精度。解耦结果表明,RBF神经网络算法具有较强的鲁棒性和抗噪声能力,能够很好地逼近含噪声的传感器高维非线性数据之间的映射关系。
015,51(10) Computer Engineering and Applications计算机工程与应用 导线间的行列阻值,从而解耦出每根行导线M2个感其中,WGN代表随机高斯白噪声,x、y、z表示没有 应电极的位置坐标,求解出传感器形变情况。 外力时标号为m的行导线上第i个电极在三个方向上 23传感器数学模型 的初始坐标,△x、△v、Az表示受到外力作用时标号为 当该类型的柔性触觉传感器作为机器人皮肤使用时,m的行导线上第i个感应电极在三个方向上的形变量 如果受到外力作用则会发生形变,该形变由行导线上感(位移)。比起原有的数学模型(2),式(4)更加接近传感 应电极三个方向上的位移变化来表示。由此,柔性触觉器的真实情况。在解耦过程中,不同幅度的高斯白噪声 传感器的“行列并联电阻¨数学模型可以用式(2)表述。被分别施加于传感器模型,从而进一步探索RBF神经閃 络的鲁棒性及其对传感器高维‖线性映射关系的逼近 R (x1-x2)2+(V1-y)2+(21-z 能力。 对于一个阵列结构规模为M1×M,M3×M的传感 k=1,2,…,3×M (2 U△X 器,外部采集电路扫描获得的行列阻值矩阵为: x.= R R 该数学模型是描述传感器阵列感应电极三维位移 . R R 形变与行列并联阻值之间映射关系的高维非线性方程 (5 组,也即感应电极的三维形变量和植埋于传感器内部的 RR R 第m根行导线与第k根列导线间的并联电阻(R)的 数学关系模型 图3表示没有噪声干扰时采集到的传感器阵列的 式(2)中,x,形表示受到外力作用时标号为m的行列阻值,图4表示在添加了5%的高斯白噪声后,采集 行导线上第个电极的位置坐标:,2表示标号为到的柔性触觉传感器阵列的行列阻值。 k的列导线上第j个电极的坐标;g为传感器阻值系数。 0.60 方程组(2)包含3×M,个变量,这些变量代表了行 导线上M,个电极的三维形变,也即需要解耦的3×M x0.50 个变量。式(2)也可以川下式表示 045 (3) 0.40 H/7 由式(2)、(3)可知,该模型的非线性程度及复杂性 0.35 与行导线上电极数目密切相关,与上层行导线的数目无 The label of the Resistance 关。因此,在不增加模型计算复杂度的前提下,可以尝 图3无噪声时的行列阻值 试通过适当増加行导线的数量来扩大传感器阵列规模 提高其分辨率。 g 在实际应用过程中,触觉传感器下表面通常都是依 附在固定平面上的。因此,在实验过程中可以认为传感 x0.50 器下层感应电极点固定不动,上层感应电枚是受力点, 145 感受传感器形变过程。通过扫描行导线与列导线之间 的电阻值变化情况,来分析并解耦传感器的三维形变 信息 鉴于机器人触觉传感器在实际应用中常常会受到 The label of the Resistance 噪声信号的干扰,在通过传感器外围电路检测行列电阻 图4受高斯白噪声干扰时的行列阻值 的过程中也伴随着噪声信号,从而影响模型的准确度。 在数值仿真实验中,本文使用的传感器阵列尺寸为 冋时,这些噪声信号会给解耦过程带来一系列偏差。因20mm×l8mm×5mm,其感应电板阵列规模为8×63 此,在本文的研究中尝试向式(2)表示的传感器数学模18,触觉传感器上层感应电极的最大形变不超过传感器 型中增加一系列随机高斯白噪声(WGN),以模拟柔性厚度的20%实验中,为了模拟触觉传感器的实际情 触觉传感器在实际应用时的情形。改进后的含噪声的况、验证RBF算法的抗噪声性及鲁棒性,向柔性触觉传 数学模型如式(4): 感器模型中添加了不同幅度的高斯白噪声,利用优化后 g( )+WGN,k=1.2,…,3xM +(z 王菲露,宋杨:RBF神经网络在柔性触觉传感器解耦中的应用 2015,51(10) 23 的RBF神经网络逼近含高斯白噪声的行列阻值与行导 在RBF神经网络的训练过程中,隐藏层的学习过程 线上电极三维形变之间的映射关系。 是无监督的。RBF网络模型的核心问题之一就是如何 利川无监督学习过程来设置隐藏层神经元高斯函数的 3基于RBF神经网络的传感器形变信息解耦中心:用k-均值聚类算法“确定径向基函数的中心 本文研究的柔性触觉传感器阵列每根行导线上有6假定{x}1表示采集到的柔性触觉传感器行列阻值样 个感应电极,因此含噪声的数学模型(4)是一个含有18本集(也即N个18维的行列阻值),令映射器: 个变量的非线性方程组。如果增加行导线上感应电极 k=C(i),i=1,2,…,N 的数目,方程组的维数会更高。首先采川了高斯-牛顿表示将第i个行列阻值样本x按照某种规则划分到第k 数值分析方法进行解耦,但是在实验过程中,当行导线个聚类中。用欧几里德范数度量样本x和x,之问的相 上感应电极个数大于6时,高斯牛顿方法的雅可比矩阵似性(也即样本x和x之间的距离): 为奇异矩阵,从而使得方程组无解。为了实现对柔性触 d(x1,x)=x1-x1 觉传感器高维非线性模型的有效解耦,本文引入具有强 通过映射器C把所有距离x最近的样本X划分 鲁棒性和抗噪声性能的RBF神经网络,逼近传感器的高 到第k个聚类。设A为聚类k的均值,也即聚类k的 维数学模型。 中心。则代价函数: 3.1RBF神经网络( RBFNN)模型 RBFNN是一个3层神经网络,它出输入层、隐藏 (C)=∑∑|x-F (10) 层、输出层构成(如图5所示)。 J(C)为映射器C把N个样本划分到K个聚类的总方差 的度量。之后需要最小化该代价函数。 首先,对于给定的映射器C使用最近邻法最小化式 (10)中的代价函数 Output Input v=F(x) min∑∑;-,=1,2,…,N ector centcr x 2FR-ik=iC(n=k 通过式(11求解出最优聚类中心{/,。 之后,最小化映射器C(): )= arg min‖x2-k (12) Input layer Input layer Output layer of size m of sizew of size one 重复以上步骤,直到聚类中心不再发生变化或者每 图5RBF神经网络示意图 个样本不再被重新划分到不同的聚类为止。从而把N 层神经元的变换函数是径向基函数输出层的变换函数得每个聚类中的样本与聚类中心的平均度量最小② RBF网终的输入层由m个神经元节点组成,隐藏个采集到的传感器行列阻值样本划分到K个聚类 当隐藏层神经元的尢监督学以完成后,将对输出层 是线性的。径向基函数是一种局部分布的非负非线性 节点进行有监督学习训练。令: 函数,它对中心点径向对称且衰减。本文使用高斯函数 0(x2x),i=1,2,…,N,j=1,2,…,N(13) 作为隐臟层的激活函数,则相应的RBF閃终隐嶽层神绉 元节点的输出为 d(x)=[n,9a2,…,],t=1,2,…,N 14 P(x, x, )=o(r-x: =exp(--x-x (6) (x)表示输入样本x在隐藏层K个神经元上获得 的输出,也即输出层神经元的输入信号。因此,RBF网 其中,向量x是输入层信号,x,是第j个输入样本的径络输出层的训练样本对为{(x,l},可是输入样本 向基(高斯)数的中心,表示第j个以向量x,为中x(含噪声的行列阻值样)的期望输出,对应于柔性触 心的高斯函数的展开(扩展)幅度,(是隐藏层神经元觉传感器行导线上感应电极的三维形变。需要寻找 的激活函数。 个函数F满足下述条作 RBF神经网络的输入层神经元与隐藏层神经元直 F(x)=∑o,(x-x=d1,j N (15) 接相连接隐藏层神经元与输出层神经元之间通过权值 相连接。隐藏层神经元输出值的线性加权求和构成了:=[m2…m 网络的输出。RBF网络的输出表达式为 D d 中={9 F(x)=∑,p(x-xD,j=1,2,… D和∥分别表示网络的期望输出向量(传感器感 24 015,51(10) Computer Engineering and Applications计算机工程与应用 应电极形变)和线性权值向量,φ为插值矩阵,则式(15) 可以表示为小W=D,若φ为非奇异矩阵,则: (16) 依据Mche定理:如果{x}=1是N个互不相同 0 的点的集合,则插值矩阵φ是非奇异的,权值向量W有 12141618 确定解。本文对传感器模型施加的随机形变样本是互 02468 X,mm 不相同的,因此有确定解 图6含噪声的传感器形变解耦结果 本文基于K-均值聚类算法计算径向基(高斯)函数 的中心,并利川递归最小二乘法确定隐层与输出层之 间的连接权值 32堪于触觉传感器的 RBFNN模型构建 20 本文利用 RBENN作为函数逼近器,用其逼近式(4) 描述的传感器输出信号(受噪声干扰的18维行列并联 l?14168 电阻)与每根行导线上6个感应电极的18维形变之间的 v/mn ,mm 非线性映射关系。在 RBFNN的训练过程中,用含高斯 图7X轴方向和γ轴方间形变的解耦结果 白噪声的传感器行列并联阻值信息作为网络的输入信 号,感应电极形变作为网络的输出信号对网络进行训变曲面能够比较准确地反映出传感器上表面的主要特 练。之后,基于 RBFNN算法解耦岀测试样本中的传感征区域感应电极发生变化的情况。特别地,从图7可以 器上表面感应电板的三维形变。本文构建的RBHN的看出,X轴和y轴方向上形变的解耦结果基本与传感 输入层向量是含高斯白噪声的18维行列并联电阻(上器初始的含噪声的形变重合。图7表明,尽管传感器系 层一根行导线与F层18根列导线之间的并联电阻),标统到随机噪声干扰,但是对水平方向上形变的解耦结 记为X输出层向量是传感器上层一根行导线上6个电果仍然能够非常精确地反映出传感器的文际形变。由此 极的18维形变信息,标记为D 说明,RBF神经网络具有较强的抗噪音能力和鲁棒性, 可以很好地应用于柔性触觉传感器多维信息解耦研究。 在构建 RBFNN过程中,径向基函数的展开(扩展 D=[x1x2,…,x181 幅度是影响RBF神经网络性能的重要因素。较大的扩 仿真实验过程中,通过在如图2所示的并联电阻模晨幅度,会使隐藏层神经元获得较大的感受视野,但是 型表面施加随机三维形变的方法来获得相应的行列电神经元对输入信号的响应会变得不敏感,隐藏层每个神 阻值,分别产生了2000组训练样本和200组测试样本,经元的输出信号倾向于近似值,网络容易出现欠拟合状 并对每个样本分别施加了不同幅度的随机高斯白噪态。反之,如果径向基函数的扩展幅度过小,则意味着 声。每个样本由18维含高斯白噪声的行列并联电阻和隐藏层神经元的感受视野较小,神经元对输入信号的响 18维形变组成。采用K均值方法和逃归最小二乘法优应会非常敏感,每个隐藏层神经元的输出信号区别明 化RBF神经网络,利用构建好的2000组样本训练RBF显,此时易于产生较大的训练误差。 网络,逼近从含噪声的并联电阻信息到传感器三维形变 本文利川式(6)所示的高斯函数作为隐藏层的径向 之间的映射关系。之后通过训练好的RBF网终模型解基函数,基于不同的展开幅度构建RBF神经网络,以验 耦出200组测试样本中的传感器上层感应电极的三维证其对网络性能及解耦结果的影响。最终获得的传感 形变,并求出相对解耦误差。解耦结果表明RBF神经网器形变的解耦结果如表1所示。表1中列出的是200组 络能够很好地逼近传感器阻值与形变之间的高维非线测试样忪的实际形变与RBF神经网络解耦得到的形变 性映射关系,具有较强的鲁棒性和抗噪声能力。 之间的相对误差的平均值。 33解耦结果分析与讨论 由于X轴方向和γ轴方向形变的解耦误差近乎为 仿真实验中,分别向柔性触觉传感器施加了10%、零,表1仅给出了含高斯白噪声(WGN)的触觉传感器Z 5%、1%和0.5%的高斯白噪声,并基于不同的展开幅度轴方向形变的平均相对解耦误差。从表1可以看出:对 验证RBF神经网络算法的抗噪声能丿和鲁棒性。其中于不同幅度的高斯白噪声,随着径向基(髙斯)函数展开 含5%高斯白噪声的解耦结粜如终6和图7所示 幅度的増大,解耦误差呈现增大趋势;同时,随着噪声幅 图6和图7中,蓝色正方形表示传感器感应电极的度的增大,在相同的展开幅度下,形变的解耦误差也相 实际形变,红色圆形表示经过RBNN解耦后的行导线应变大。解耦结果表明:展开幅度的增大会在一定程度 中感应电极的形变结果。从图6可以看出,解耦后的形上影响 RBFNN的两数逼近能力和对传感器多维信息的 王菲露,宋杨:RBF神经网络在柔性触觉传感器解耦中的应用 2015,51(10)25 表1含WGN的触觉传感器形变的平均相对解耦误差 真研究[J传感技术学报,2012,25(3):359-364 传感器形变相对解误差 [3]武秀秀,宋爱国六维力传感器静态解耦算法及静态标定 开幅度 0.5 WGn I% WG 5%WG\ I0% WGN 的研究[传感技学报,2013,26(6):851-856 0.I 6.47% 89% 9.12% 9.5% ]丁俊香,葛运建进化算法与基于同伦理论算法在多维触 7.23% 9.52 9.78% 觉阵列传感器解耦应用中的对比门模式识别与人工智 7.77 9.78% 能,2012,25(6):375-381. 8.21% 9.50% [5 Baglio s, Muscato G, Savalli N Tactile measuring systems [1.5 8.37% 9.27% 9.98% 9.84% for the recognition of unknown surfaces[J].IEEE Trans 0.6 actions on Instrument and Measurement, 2002, 151(3) 10.33% 10.649 0.8 10.18 0.9 8.89% 9.42 10.06% 11.23% [6 Petra I, Holding D J. The design of a flexible digit towards LO 9.31% 11.10 10.67 11.39% wireless tactile sense feedback[]pRoceedings of the 8th International Conference on Control Automation. Ro 解耦效果;样本集中包含较大幅度的噪声信号时,会 botics and Vision(2004), Kunming, China, 6-9th December 降低网络模型的学习能力和对未知信号的识别能力,在 2004:468-473 定程度上削弱RBF网络的非线性逼近能力。 [7 Wang F L, Zhuang X K, Shuang F, et al. The study of 从表1可以看出,在受到相同程度的WGN干扰下 decoupling methods for a novel tactile sensor hased on BP Z轴方向形变的解耦误差虽然不及水平方向形变的解 neural network[ J].Sensors Transducers, 2013, 150(3) 耦误差那么小,但是绝大部分Z轴方向上的相对解耦误 差都小于10%。以上实验结果表明,本文使用的优化后81 Wang F L, Feng Shuang Decoupling Research of a three 的 RBENN方法在含噪声的传感器信息解藕中有良好的 dimensional force tactile sensor based on radical basis 应用前景和重要研究意义。 function neural nctwork[]. Sensors Transduccrs, 2013 159(11):289-298 [9 Huang Y, Xiang B, Ming X H, et al. Conductive mechanism 4结束语 research based on pressure-sensitive conductive composite 针对日前柔性触觉传感器建模过程复杂、解耦难度 material for flexible tactile sensing[C]/Proceedings of 大、模型非线性等问题,本文提出了一种有效的方法来 International Conference on Information and automa 模拟柔性触觉传感器在实际应用屮含噪声的情况ε首 tion, Zhangiiajic, China, 20-23 Junc 2008: 1614-1619 先建立传感器数学模型,并在已有传感器模型上添加不[l0黄钰.基于炭黑/硅橡胶柔性复合压敏导电胶的稳定性硏 同幅度的高斯白噪声,之后通过K均值和递归最小二乘 究[D]合肥:合肥工业大学,2010 法优化 RBFNN,基于优化后的RBF神经网络方法逼近l1 Heaney M B Electrical transport measurements ofa 受噪声干扰的传感器阻值与形变之间的非线性映射关 carbon-black--polymer composite[J]. Physica A: Statistical 系,通过含噪声的行列阻值解耦出传感器三维形变信 Mechanics and its Applications, 1997, 241(1): 296-300 息。解耦结果表明 RBFNN算法有良好的鲁棒性,在121黄英陆伟用于机器人皮肤的柔性多功能触觉传感器设 柔性触觉传感器高维信息解耦研究中有很好的应用前 计与实验[机器人,2011,33(3):347-353 景。在本文的研究中,尽管考慮了噪声的影响,出于导 [13 Park J, Sandberg L W Universal approximation using radial basis function networks[J). Neural Comput, 1991, 3(2) 电橡胶材料的属性比较复杂,在解耦过程中忽略了一些 246-257 复杂因素。例如,导电橡胶材料的迟滞性、黏弹性等。 [14] Lai J Z C, Huang T J Fast global K-means clustering 这也是今后需要深入研究的内容。 using cluster membership and inequality[]. Pattcrn Recog ution,2010,43(5 参考文献: [15]庞振,徐蔚鸿.一种基于改进k- means的RBF神经网络学 刘少强,黄惟一机器人触觉传感技术研发的历史现状与 习方法[计算机工程与应用,2012,48(11):161-163. 趋势[]机器人,2002,24(4):363-366 [16]胡伟改进的层次K均值聚类算法计算机工程与应用, [2]徐菲基于力敏导电橡胶的新型三维力柔性触觉传感器仿 2013,49(2):157-159

...展开详情
试读 6P 论文研究-RBF神经网络在柔性触觉传感器解耦中的应用.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    weixin_38743481 欢迎大家使用并留下宝贵意见
    2019-09-11
    img
    • 至尊王者

      成功上传501个资源即可获取

    关注 私信 TA的资源

    上传资源赚积分,得勋章
    最新推荐
    论文研究-RBF神经网络在柔性触觉传感器解耦中的应用.pdf 10积分/C币 立即下载
    1/6
    论文研究-RBF神经网络在柔性触觉传感器解耦中的应用.pdf第1页
    论文研究-RBF神经网络在柔性触觉传感器解耦中的应用.pdf第2页

    试读已结束,剩余4页未读...

    10积分/C币 立即下载 >