[发明专利]一种多分类器结合的矿用机器人意念感知与决策方法

说明书

本发明提供了一种多分类器结合的矿用机器人意念感知与决策方法；步骤1，数据获取与预处理；步骤2，改变模板匹配中各相似度的简单结合策略，并搭建DCPM算法模型；步骤3，基础分类器的构建，构建线性判别分类器、EEGNet神经网络模型和DCPM算法；步骤4，构建强分类器，融合弱分类器的特征信息，输出矿用机器人的控制指令；步骤5，使用无人机控制指令实现对矿用机器人的控制。本发明提出了基于改进的小波阈值去噪方法，实现了脑电数据的滤波效果改善。本发明使用支持径向基神经网络，对线性判别分析、EEGNet神经网络模型和改进的DCPM算法三种基础分类器提取的特征信息进行融合，输出矿用机器人的控制指令，实现对矿用机器人的感知与决策。

技术领域

本发明涉及机器人技术领域；尤其涉及一种多分类器结合的矿用机器人意念感知与决策方法。

背景技术

我国是煤炭生产和消费大国，我国的煤炭资源总量远远超过其他一次能源。根据我国资源现状和煤炭在能源生产及消费结构重要地位，我国以煤炭为主体的能源结构还将持续相当长一段时间。长期以来，煤炭作为我国的基础能源和重要的工业原料，为国民经济的发展提供强劲动力，为电力、化工、钢铁等产业打下根基。鉴于煤炭的生产过程有一定的风险性，我国对于煤炭的安全生产高度重视。目前，我国依据《安全生产法》、《矿山安全法》、《安全生产许可证条例》、《煤矿矿长保护矿工生命安全七条规定》等法律法规对煤炭的安全生产进行了严格规定。但是，由于我国的煤炭生产规模较大，煤矿安全事故时有发生。为不断推进煤矿产业的安全生产进程，矿井作业的无人化和少人化成为趋势；

在基于脑电数据特征提取方面，目前已经发展出了几个成熟的脑电特征提取技术，各方法使用不同的原始获取各自需求的脑电特征信息，方法之间的数据需求相同，但是提取的特征信息差异较大，造成了不同方法间特征信息的孤岛，不利于在现有研究基础上特征提取模型性能的进一步提升。脑电数据往往包含大量噪声，这些噪声会掩盖较弱的脑电信号，因此去噪是脑电信号处理的一个关键步骤。

目前，小波变换是脑电信号去噪处理的有力工具。基于阈值处理的小波去噪法在二十世纪末由Donoho等人在深入探讨小波变换理论后提出，根据小波变换后噪声与有用信号两者在系数上存在幅值差异这一理论基础，进而通过设定合适临界值λ，将小波系数小于λ的部分当作是由白噪声所致，将它剔除，对于大于λ的部分则认为是由有效信号引起的，予以保留，如此便可完成对原始信号中噪声的去除。原始小波阈值法包含硬阈值与软阈值，鉴于其简单有效，因此在去噪领域应用宽泛。

假设原始信号为，为服从的高斯白噪声，则加入噪声后的带噪信号可表示为：

f(t)＝s(t)+n(t)

对经公式得到的带噪信号进行离散小波变换，得到小波系数，它由以下两部分组成：

wf(j,k)＝ws(j,k)+wn(j,k),j＝0,1,2,…,J；k＝0,1,2,…,N

其中，wf(j,k)是带噪信号f(t)在第j层上的小波系数值；ws(j,k)是原始信号s(t)在第j层上的小波系数值；wn(j,k)是高斯白噪声信号n(t)在第j层上的小波系数值；J代表小波分解层数最大值；N代表信号长度。记wf(j,k)为wj,k，然后选择合适的阈值λ，对wj,k进行处理，得到阈值处理后的小波系数值，且尽可能使得与ws(j,k)接近。最后重构，获得降噪信号。

Donoho提出的传统阈值法中软硬阈值函数的区别就在于对小波系数的处理策略有所不同。两种函数的表达式分别为：

上式分别为硬阈值函数和软阈值函数。λ为设定的阈值。