专利交易市场

本发明属于传感器技术领域，具体涉及一种基于迁移学习的多维力传感器解耦方法。本发明包括：通过静态标定构建标定数据集；通过数值分析和模拟方法构建预训练数据集；以预训练数据集为源数据集，利用基于迁移学习机制的神经网络进行预训练，得到预训练模型及所有的网络参数；固定浅层的网络参数，使用标定数据集为目标数据集微调最后若干层网络层，获得最后若干层网络层的新的网络参数，得到多维力传感器解耦模型；利用多维力传感器解耦模型对多维力传感器采集的数据进行解耦处理。本发明加速了神经网络的训练速度，避免神经网络在学习中陷入局部最优，使解耦模型具有良好的收敛性和鲁棒性，同时减少对标定数据的依赖，降低传感器的标定成本。

基于堆栈稀疏自编码的多维力传感器的解耦方法。该方法包括以下步骤：步骤1，获取实验标定数据：步骤2，获取模拟噪声环境数据：步骤3，增加标定数据的维度：步骤4，堆栈稀疏自编码器预训练：步骤5，对预训练的堆栈稀疏自编码器进行微调，以提高模型的精确性；步骤6，将训练获得的堆栈稀疏自编码模型嵌入传感器及其采集系统中，并实际应用。本发明在堆栈自编码器和原创性的模拟噪声环境下传感器采集数据方法的基础上，提出了基于堆栈稀疏自编码的多维力传感器的解耦方法。为尽可能的降低环境噪声对传感器采集的数据的影响，本发明通过模拟噪声环境对传感器采集数据的影响，增强训练得到的模型的鲁棒性。