[发明专利]一种消除生理震颤的四元数宽度学习滤波方法

摘要

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。

主权项

1.一种消除生理震颤的四元数宽度学习滤波方法，其特征在于，具体包括以下步骤：步骤1：数据预处理，先通过以下公式将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分别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Wei、βei、Zei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，X表示输入，属于四元数；步骤3：利用所有的特征节点映射增量节点，表达式为：式中Whj、βhi分别表示增量节点映射过程的权值以及阈值，φ为四元数神经网络激励函数，ξ为一个四元数神经网络激励函数；对于四元数的神经网络激励函数规则定义如下：当给定输入为：x＝a+bi+cj+dk时激励函数f(x)可以写成：f(x)＝f(a)+f(b)i+f(c)j+f(d)k而Hhj则是表示第hj组增量节点，记所有增量节点为Hm＝[H1,H2,...,Hm]；同时把所有的特征节点和增量节点并列的作为节点层，记为A＝[Zn|Hm]；步骤4：利用节点层和输出层的权值连接，通过计算获得输出，即震颤估计值，表达式为：式中A为节点层，W^all为输出层连接的权值，y为四元数宽度学习输出值，为输出也是生理震颤的估计值，；步骤5：利用四元数宽度学习网络输出震颤估计值，并转化为三维的震颤估计值补偿受干扰的信号，表达式为：式中s(k)为受干扰的信号，表示为：s(k)＝d(k)+n(k)其中d(k)为期望信号，n(k)为干扰信号。