[发明专利]一种消除生理震颤的四元数宽度学习滤波方法

说明书

本发明涉及机器学习领域，提供了一种消除生理震颤的四元数宽度学习滤波方法，包括以下步骤：首先进行数据预处理，把三维的数据转化到四元数域，提取出训练样本；接着利用训练样本映射获得多组特征节点，利用所有的特征节点映射增量节点，以及节点层权连接得到输出即震颤估计值，本发明与现有技术相比，优点在于：第一，多维度数据中不同维度之间的关系，相比单维度的滤波器孤立地处理各个维度的数据，本发明能够更好利用好维度之间的关系，对四元数的数据更加有针对性；第二，相比现有的四元数滤波器，本发明有更加优秀的性能更加高的精度。

技术领域

本发明涉及机器学习领域，更具体的，涉及一种消除生理震颤的四元数宽度学习滤波方法。

背景技术

随着科学技术的发展，操作员的操作和感知功能通过遥操作系统可以被扩展到一个远程位置。通过一个用户控制台，它可以促进非现场机器人性能的理想任务，确保成本效益、安全性和可及性。从技术上来讲，控制信号的精度对于完成遥操作任务是至关重要的。然而，遥操作机器人系统的控制系统一般都会被操着者的生理震颤所干扰。

目前，关于消除生理震颤的滤波器的研究已经出现了不少成果。在自适应滤波器技术方面，带宽有限的多重傅里叶线性变化变化以及加权傅里叶线性变化被经常用来估计这个生理震颤运动。这两种方法是基于傅里叶变化的，并且是带有时延。更有有限带宽傅里叶变化、最小二乘法支持向量机方法还有自回归等方法被提出来去执行对手颤抖的多步预测，以解决未知的问题已知的相位延迟。此外,自适应模糊小波神经网络过滤器和基于时间序列的模糊支持向量机提出了消除微创手术操作者的生理震颤。然而,所有这些都考虑了感知运动的数据三维作为三个独立的信号。来完成三维地震估算，单维自适应滤波方法必须分别适用于所有三个轴不同维度之间的关系。

发明内容

为了解决现有技术中单维自适应滤波方法不能适用于所有三个轴不同维度之间的关系的不足，本发明提供了一种除生理震颤的四元数宽度学习滤波方法。

为实现以上发明目的，采用的技术方案是：

一种消除生理震颤的四元数宽度学习滤波方法，该方法的基本网络架构是四元数的宽度学习神经网络系统，它是由一维的宽度学习系统拓展到四元数领域；利用四元数映射先由训练输入数据映射出特征节点由特征节点映射增量节点，最后再由特征节点和增量节点共同组成节点层权连接来获得输出；具体包括以下步骤：

步骤1：数据预处理，先通过以下规则把三维的数据转化到四元数域提取出训练样本，即：

q＝(cos(φ)cos(ψ)cos(θ)+sin(φ)sin(ψ)sin(θ)

+i(sin(φ)cos(ψ)cos(θ)-cos(φ)sin(ψ)sin(θ))

+j(cos(φ)cos(ψ)sin(θ)-sin(φ)sin(ψ)sin(θ))

+k(cos(φ)sin(ψ)cos(θ)+sin(φ)cos(ψ)sin(θ)))

式中φ,ψ,θ分别是角度信号的三个维度的数据，而q为转化后获得的四元数其中i,j,k表示四元数三个维度的虚部，sin和cos都分别是正弦函数和余弦函数；通过转化可以把三维度的角度时间序列转化为四元数的时间序列。利用窗口从四元数时间序列中提取出训练样本；

步骤2：利用训练样本映射获得多组特征节点，表达式为：

式中X表示输入，它也属于四元数，W_ei β_ei Z_ei分别表示第ei组特征映射的权值、阈值以及映射得到的特征节点，其中特征节点映射过程的权值以及阈值通过四元数自编码器训练更新，而φ为四元数神经网络映射函数它的表达式为：