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！

申请/专利权人：吉林大学

摘要：基于田间作业四足机器人行走状态识别系统的识别方法属智能农业装备技术领域，本发明的四足机器人行走状态识别系统由IMU传感器、控制单元、电脑移动终端组成，控制单元中置有基于田间作业四足机器人行走状态识别程序，田间作业四足机器人行走状态识别方法包含基于ICEEMDAN‑改进小波阈值降噪模型、IPO‑VMD模型、IPO‑PNN模型，能实现四足机器人IMU传感器姿态角信号降噪处理和特征提取，并通过信号特征识别四足机器人行走状态，实现四足机器人行走状态的实时识别。本发明可实现智能农机作业状态在线实时识别，为智能化农机作业识别提供一种新的技术方案。

主权项：1.一种基于田间作业四足机器人行走状态识别系统的识别方法，其特征在于，包括下列步骤：S1设置四足机器人行走状态识别系统：四足机器人行走状态识别系统由IMU传感器2、控制单元3、电脑移动终端4组成，其中，IMU传感器2和控制单元3置于四足机器人1内部，IMU传感器2与控制单元3电气连接，控制单元3中置有基于田间作业四足机器人行走状态的识别程序，电脑移动终端4与控制单元3无线连接；S2建立四足机器人运动仿真模型，基于MATLABSimulink对四足机器人运动状态进行模拟，加入噪声信号模拟四足机器人田间行走过程中受到的环境扰动，模拟四足机器人正常行走、摔倒前临界稳定状态及摔倒三种工况，生成三种工况的姿态角信号组： ；其中：fr1、fp1分别表示四足机器人正常行走时的横滚角、俯仰角信号；fr2、fp2分别表示四足机器人摔倒前临界稳定状态时的横滚角、俯仰角信号；fr3、fp3分别表示四足机器人摔倒时的横滚角、俯仰角信号；采用ICEEMDAN-改进小波阈值降噪算法，对fr1、fp1、fr2、fp2、fr3、fp3进行降噪，包括下列步骤：S2.1对fr1、fp1、fr2、fp2、fr3、fp3进行ICEEMDAN，包括下列步骤：S2.1.1对原始信号加入N次高斯白噪声，构造第1组加入高斯白噪声的信号： ；其中：i取r1、p1、r2、p2、r3、p3；为添加第n组高斯白噪声后的第1组信号；e1为第1组信号分解时的期望信噪比；ωn为第n组高斯白噪声；E1·为计算信号ωn经验模态分解后第1组模态分量的算子；S2.1.2计算第1次分解的残差r1： ；S2.1.3计算第1阶模态分量IMF1： ；S2.1.4构造第kk≥2组加入高斯白噪声的信号： ；其中：为添加第n组高斯白噪声后的第k组信号；ek为第k组信号分解时的期望信噪比；Ek·为计算信号ωn经验模态分解后第k组模态分量的算子；rk-1为第k-1次分解的残差；S2.1.5计算第k次分解的残差rk：： ；S2.1.6计算第k阶模态分量IMFk： ；S2.1.7令k=k+1，计算标准差σ，判断是否满足迭代终止条件，若是则结束迭代，否则重复步骤S2.1.4至S2.1.7，迭代终止条件的数学表达式为： ；其中：IMFk+1为第k+1阶模态分量，Δ为第IMFk+1与IMFk之间的标准差，Δ'为由Cauchy收敛准则确定的标准差；S2.2计算步骤S2.1中分解出的每组模态分量的样本熵值，设定噪声阈值p，若模态分量的样本熵值大于或等于p，则滤除该模态分量，若模态分量的样本熵值小于p，则保留该模态分量，最终得到l组模态分量；S2.3对步骤S2.2中的l组模态分量进行改进小波阈值降噪，包括下列步骤：S2.3.1设定小波分解层数，选定小波基函数，构造小波阈值函数；S2.3.2使用选定的小波基函数对步骤S2.2中的l组模态分量进行Mallat算法处理，得到小波分解层数对应的小波系数θ；S2.3.3采用改进阈值函数对小波系数进行处理；S2.4对步骤S2.3.3处理后的小波系数进行信号重构，得到去噪信号fr1'、fp1'、fr2'、fp2'、fr3'、fp3'；S3对fr1'、fp1'、fr2'、fp2'、fr3'、fp3'进行IPO-VMD，包括下列步骤：S3.1对fr1'、fp1'、fr2'、fp2'、fr3'、fp3'进行VMD：S3.1.1设置信号分解后的模态函数为mk，mk时间序列mkt的数学表达式为： ；其中：Akt为幅值，且Akt≥0；φkt为非单调递减的相位函数；S3.1.2初始化VMD算法迭代次数N、拉格朗日乘子λ、二次惩罚因子a、分解层数为K；S3.1.3令n=n+1，VMD算法进行迭代计算；S3.1.4使k值从1不断叠加至K，mk和ωk的更新方式为： ；其中：为mk更新后的值；FFTD·为傅里叶变换并进行微分运算的算子；ωk为mkt的频率中心；为ωk更新后的值；ω为对t做傅里叶变换得到的变量；S3.1.5对λ进行更新，λ的更新方式为： ；其中：λn+1为λ更新后的值；IHT·为希尔伯特反变换；S3.1.6重复步骤S3.1.3至S3.1.5，直到符合终止条件： ；其中：ε为收敛性判定准则，且ε＞0；S3.2采用IPO算法确定VMD的参数a、K，包括下列步骤：S3.2.1初始化IPO算法中的个体位置和速度；S3.2.2确定IPO算法的适应度函数，计算每个个体的适应度，个体适应度函数Fitness的数学表达式为： ；其中：PE·为排列熵算子；S3.2.3根据适应度大小确定α、β、γ种群，α、β、γ种群中的个体适应度大小满足： ；S3.2.4对β、γ种群中的个体进行速度更新；S3.2.5对α种群中的个体进行速度更新；S3.2.6进行种群个体第一次位置更新；S3.2.7进行种群个体第二次位置更新；S3.2.8将个体第二次位置更新结果赋值给VMD算法的参数a、K，当前种群迭代更新产生的适应度值小于上一代种群迭代更新产生的适应度值时，更新个体极值与群体极值，反之则进入终止条件的判断；S3.2.9种群更新迭代数满足终止条件则停止更新，获取到最优的参数a、K，反之则重复步骤S3.1至S3.2继续对参数a、K进行更新；S3.3对fr1'、fp1'、fr2'、fp2'、fr3'、fp3'重复步骤S3.1至S3.2，得到最优参数赋值的姿态角信号VMD模型；S4建立基于IPO-PNN的行走状态识别模型，进行行走状态识别：S4.1采用步骤S2的运动仿真模型，生成Q组姿态角信号组，对信号组中每个信号采用步骤S2的ICEEMDAN-改进小波降噪对其进行降噪，随后对降噪后的信号采用步骤S3所建立的IPO-VMD模型对其进行分解，提取每个信号VMD后信号的排列熵作为信号组特征向量；S4.2对步骤S4.1获得的特征向量进行归一化处理，其处理方式如下： ；其中：y表示归一化处理后的参数数据；ymax表示归一化预期范围最大值；ymin表示归一化预期范围最小值；xmax表示每一行参数数据中的最大值；xmin表示每一行参数数据中的最小值；V表示实际参数值；S4.3建立4层PNN拓扑结构，包括输入层、隐含层、求和层和输出层，向输入层中输入步骤S4.2中的数据，最终对应有相应的期望输出和实际输出，其中PNN的期望输出为每组姿态角信号组对应的行走状态标签，初始化PNN的结构参数；S4.4利用IPO算法对PNN进行优化；S4.4.1确定IPO算法中的种群个体维度Pd，其计算方式为： ；其中：in为PNN输入层神经元数目；h为PNN隐含层神经元数目；sum为PNN求和层神经元数目；S4.4.2确定适应度函数，适应度函数计算方式为： ；其中：Yj表示IPO算法第j个个体期望输出；yj表示IPO算法第j个个体实际输出；S4.4.3重复步骤S3.2.1；S4.4.4重复步骤S3.2.3至S3.2.7；S4.4.5每更新一次速度和位置，则对PNN的权值和阈值进行一次更新；当前迭代更新产生的适应度值小于上一代迭代更新产生的适应度值时，继续进行个体极值更新与群体极值更新，反之则进入终止条件的判断过程；S4.4.6更新迭代数满足终止条件则停止更新，PNN获取到最优的权值和阈值；反之则返回步骤S4.4.4继续对PNN的权值和阈值进行更新；S4.4.7训练最优的参数赋值的PNN；S5采集IMU传感器2的姿态角信号组[fr4，fp4]，并将其输入至步骤S2的ICEEMDAN-改进小波阈值降噪算法，对[fr4，fp4]进行降噪，得到降噪后的信号组[fr4'，fp4']，将[fr4'，fp4']输入步骤S3建立的IPO-VMD模型，得到VMD后的信号分量，提取其排列熵，将提取的排列熵输入步骤S4建立的IPO-PNN模型，输出标签以判断四足机器人1的行走状态。

全文数据：

权利要求：

百度查询： 吉林大学 基于田间作业四足机器人行走状态识别系统的识别方法