买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利一种基于改进标签一致的多通道空中笔势字典学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119577519B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411793869.6，技术领域涉及：G06F18/24；该发明授权一种基于改进标签一致的多通道空中笔势字典学习方法是由燕学智;刘强;孙晓颖;陈建;王庆龙;王郁夫设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本一种基于改进标签一致的多通道空中笔势字典学习方法在说明书摘要公布了：本发明涉及一种基于改进标签一致的多通道空中笔势字典学习方法，属于人机交互技术领域。采集并获取表征多类笔势动作的多通道数据，对数据进行数据预处理，构建基于改进标签一致的多通道空中笔势字典学习模型，输入训练集训练模型并通过测试集调整模型参数，利用最优化的识别模型完成基于改进标签一致的多通道空中笔势字典学习识别模型的实验评估，输出针对不同笔势的模型最佳识别率。本发明优点是可以更好的满足三维空中笔势识别的实时性要求，通过增加所采集的笔势数据特征的多样性，有效避免了单一传感器通道提取特征不足导致的模型鲁棒性不强、笔势标签识别率较低的问题。

本发明授权一种基于改进标签一致的多通道空中笔势字典学习方法在权利要求书中公布了：1.一种基于改进标签一致的多通道空中笔势字典学习方法，其特征在于，包括下列步骤： 步骤1.通过多个用户持握电子笔完成既定笔势动作实现多类笔势数据样本的采集，继而获取表征多类笔势动作的多通道数据； 步骤2.对多类笔势对应的多通道数据进行数据预处理，具体如下： 步骤2.1：笔势数据样本筛选，由于采集的笔势数据存在数据点冗余和数据污染问题，以及采样点过少所包含的笔势特征信息不足的问题，因此需要去除重复点并剔除笔势长度序列过短的笔势样本； 首先循环读取所有笔势样本序列，设其中未经数据预处理的笔势序列为，其中为序列长度,第个采样点为，接下来判断第个采样点和第个采样点是否相等，若相等则删去数据点，则去除重复点后的笔势序列为，其中表示去重后笔势序列，； 最后判断去除重复点后的笔势序列长度k和采样点阈值的关系，若k大于采样点阈值则保留笔势序列样本，若小于采样点阈值则删除该笔势序列样本； 步骤2.2：笔势数据重采样,针对采集的笔势数据存在笔势样本序列长度不统一和笔势样本序列长度过长存在信息冗余的问题以及后续字典学习和稀疏表示的需要，因此对笔势进行线性插值的重采样； 首先确定采样后笔势序列的固定长度即采样点数n，因原笔势序列采样点数不等且根据步骤2.1小于k，则重采样后的采样点数为n，其计算方法如下： ； 其中表示在目标重采样后的当前位置序列，表示重采样后的序列对应的坐标值，是原笔势数据序列中靠近当前采样点的两个相邻采样点的横坐标，是原笔势数据序列中对应的坐标值； 步骤2.3：笔势数据平滑，为了去除噪声等干扰,平滑数据的尖端毛刺，使用移动均值滤波器来对笔势数据进行数据平滑,其计算方法如下： ； 其中是滤波前经过步骤2.1和步骤2.1处理后的笔势序列，是移动均值滤波后的数据序列，分别利用上式对笔势数据中的三维超声坐标数据和三轴加速度数据进行均值滤波，N是移动均值过滤器中的采样点数； 步骤2.4：超声特征提取，经过步骤2.3后得到数据序列包含超声数据、加速度和四元数数据，取其中超声坐标序列为,；其中为任意点时三维笔势的三轴超声坐标，n为其序列长度； 计算轨迹中心点三维坐标： ； 依次计算三维笔势超声坐标序列中每组超声坐标到轨迹中心点的欧式距离： ； 得到轨迹中心距离编码序列，； 计算轨迹全长L，将笔势序列的相邻两点空间直线距离之和累加视为笔势轨迹全长： ； 利用轨迹全长对轨迹中心编码进行归一化处理得到归一化轨迹中心距离编码序列： ； 步骤2.5：笔势数据归一化，由于笔势数据采集设备测量得到的不同笔势数据之间的振幅偏差通常不通，因此为了使笔势运动信号的振幅正常化，采用归一化的方法对经过上述步骤处理后的数据进行处理缩放至区间，其计算方法如下： ； 其中表示笔势序列的第个采样点，是归一化后的笔势序列，是归一化前的笔势序列，代表当前笔势序列中的最大值,代表当前笔势序列中的最小值； 步骤3.构建基于改进标签一致的多通道空中笔势字典学习模型，具体如下： 基于改进标签一致多通道空中笔势字典学习模型包括笔势特征提取模块、字典学习模块、分类器参数输出模块，根据输入的是经过步骤2完成数据预处理的空中笔势数据集，输入的笔势数据包含八个维度，分别为笔势数据预处理后归一化轨迹中心距离编码序列、三轴加速度数据、四元数数据；其中采集的笔势数据在经过数据预处理后，需要对其进行训练集和测试集的划分，按照的比例划分训练集和测试集，其中；其中为自然数； 所述笔势特征提取模块采用PCA特征提取,完成笔势数据时间维度上的特征提取； 其中假设有类笔势，训练样本中每类笔势有个，经过上述预处理后，每个笔势特征矩阵规模为，将每个笔势特征矩阵展开成维列向量，设是训练集样本数目，则训练集总体散步矩阵为： ； 其中代表类样本中某一类样本中的第个笔势样本，代表训练样本中所有笔势特征的平均向量，其计算方法如下： ； 构建训练样本矩阵X，计算向量样本矩阵的平均值； 计算协方差矩阵：，其中E表示期望，计算特征值和特征向量;将特征值从大到小排列，选择能够满足信息量的前个最大的特征值对应的作为变化矩阵，将训练样本做变化得到降维后的训练样本矩阵，其中表示降维矩阵； 所述字典学习模块采用改进的标签一致字典学习算法学习具有标签特征的字典，将利用余弦相似度改进的“判别性稀疏编码误差”的标签一致性约束和“最优”分类性能标准加入到目标函数中，并使用K-SVD算法来优化； 改进后的标签一致字典学习算法模型为： ； 式中参数、表示判别稀疏编码误差所占的权值，表示输入样本判别稀疏编码，表示字典的尺寸以及为稀疏系数，为训练样本的总数，表示分类器权重参数，表示线性变换矩阵，为稀疏阈值； 在上式的基础上利用余弦相似度改变了判别性稀疏编码值的初始化，并在字典学习过程中同时训练降维矩阵以更好的提取样本中的判别性信息，具体算法为： ； 其中为降维矩阵，用来对样本进行降维，参数为训练样本、为字典以及为稀疏系数，代表判别稀疏编码，表示线性变换矩阵，为分类器参数，为稀疏阈值；参数、、表示各项所占的权值，控制相对贡献系数，用于调节模型中的三项比重； 设置样本降到的维数并初始化必要的变量，先对样本利用PCA算法得到初始化的降维矩阵，设，此时样本为，其类别总数为，其次设置字典的尺寸，然后利用KSVD算法训练每一类的类字典，得到每一类的类字典后由它们组成初始化字典，之后根据字典利用或范数法求得样本的稀疏系数； 使用多元岭回归模型来得到初始化变换矩阵，如下： ； 得到下面的解： ； 同样的，对于分类器参数，再次使用多元岭回归模型可获得如下解： ； 其中,为正数，为单位矩阵； 初始化参数后，在基于标签一致的字典学习算法的基础上利用余弦相似度改变了判别性稀疏编码值的初始化，并在字典学习过程中同时训练降维矩阵以更好的提取样本中的判别性信息，具体算法为： ； 保持初始化字典、分类器参数、降维矩阵等参量不变，令，则上述公式变化为： ； 当更新字典以及稀疏系数时，上式除字典以及稀疏系数变化外，其他参数保持不变，可以将其转化为： ； 利用初始化参数获取更新后的字典模型参数和,具体为： ,； 将上述公式导入算法公式转化为求解式： ； 从更新的字典中获取符合分类要求的字典、变化矩阵和分类器参数,具体为: ，,； 其中为字典的第一列，为第列；为变换矩阵第一列，为变换矩阵第列；为分类器参数的第一列，为分类器参数第列； 所述分类器参数输出模块，分类器参数矩阵中最大元素对应的标签即为输出的识别标签： ； 其中为分类器参数矩阵，为稀疏系数； 步骤4.输入训练集训练模型并通过测试集调整模型参数； 步骤5.利用最优化的识别模型完成基于改进的标签一致多通道空中笔势字典学习模型的实验评估，输出针对不同笔势的模型最佳识别率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。