一种基于人体重心变化的自学轮椅控制方法

摘要

一种基于人体重心变化的自学轮椅控制方法属于模式识别与智能系统领域。本发明.在轮椅座椅与架构间安装压力传感器，采集人体坐姿下的受力分布，计算二维重心坐标，并将实时重心数据保存到嵌入式计算机中；依据常规的SOFM算法的基本学过程，对包括输出层神经元数目、网络初始权值以及网络邻域半径调整规则等进行了算法优化，降低运算复杂度，提高算法在应用中的计算实时性，实现控制算法因人而异的目的。利用改进后的SOFM算法，在驾驶惯学过程中，SOFM聚类算法收敛速度和学效率得到大幅度提高，提升了算法的实时性和聚类正确率，满足轮椅实时学控制的要求，消除了因用户驾驶惯不同带来的手动调整参数过于繁琐的问题。

主权项

1.基于人体重心变化的自学习轮椅控制方法，其特征在于，包括以下步骤:（1）.在轮椅座椅与架构间安装压力传感器，采集人体坐姿下的受力分布，计算二维重心坐标，并将实时重心数据保存到嵌入式计算机中；（2）．设计参数自适应式的模糊控制器，将计算得到的重心信息作为控制器输入量，通过改进的SOFM神经网络算法，根据乘用者的驾驶特点进行自学习，并根据学习结果自动调整控制器相关参数，输出轮椅的实际运动方向和速度；具体步骤如下：1）利用数据采集实现各点压力实时采集并计算重心坐标后，计算获取的重心点坐标变化的速度和加速度，将两者同时输入二维模糊控制器；2）利用改进的SOFM学习算法自主调整模糊控制规则，实现模糊自适应控制；将重心坐标变化参数即速度v和加速度a输入模糊控制器，模糊控制器的输出为轮椅的实时运动速度V_x和V_y；将人体上身坐姿重心变化情况分为9类，即前倾、后倾、左倾、右倾、左前倾、右前倾、左后倾、右后倾和正坐无倾斜；依据SOFM算法的基本学习过程，对包括输出层神经元数目m、网络初始权值以及网络邻域半径调整规则进行了算法优化，降低运算复杂度；①在SOFM神经网络中，若输入层神经元数目为n，输出层神经元数目为m，则层之间的连接共计n×m个连接权值；输出层神经元数目，即取为：m=C+0.7N₀+λ；其中，m为欲选取的输出层神经元数目；C为输入样本类别，即期望聚类数目，期望聚类结果为9类典型上身动作，因此取C=9；N₀为选取的输出层初始邻域所包含的神经元节点数目，选取N₀ 大于或等于C；且由于m为输出层神经元数目，需按照 “整数行数×整数列数” 的输出层数目进行取值，因此将λ设为初始修正取整参数；②初始权值的选取优化；若一个SOFM网络的输入层节点数为n，输出层节点数为m；其第l个输入样本向量即重心坐标向量为{G^l₁,G^l₂,…,G^l_i,…,G^l_n}；输入样本向量类分别记为：{c₁, c ₂, …, c_p, …, c_r}，其中r为每组输入样本向量中所包含的预期聚类数量最大值，即本发明实施例中重心坐标向量为{G^l₁,G^l₂}，样本最多聚类数为9类，其中c₁— c₉对应的9类典型动作，故取r=9；若设r个聚类动作中任意一个聚类为c_p，则第p个聚类中对应的重心坐标数目为k个，在这k个坐标值中，对于输入层的n个节点中的第i个节点而言，若该类别在此节点上的 分量坐标为C_{p_i_G}，则有：其中q∈{1,2,...,k}    (7)其中k为第p个聚类中的样本个数，i为输入层节点序号，q为[1,k]之间自然数序列；则SOFM网络初始连接权值w_{i_j}按如式(8)确定；G_{i_q}表示重心坐标的x坐标和y坐标值；w_{i_j}=C_{p_i_G}+ε，其中i∈{1,2,...n}    (8)其中，j为输出层节点序号，j∈{1,2,…,m}；m为输出层节点数目，ε为均衡参数，取ε∈[-1,1]，作用对初始连接权值进行只保留到小数点后一位的取整操作；按上述方法进行计算，可分别得到w_{1_1}至w_{2_m}即输入层n个节点与输出层m个节点之间各神经元节点间的全部连接权值初始值w_{i_j}；③邻域调整优化方法；邻域范围调整按简化的五段分段函数计算，如式(9)所示；其中，N_j(E)表示获胜神经元j的邻域，N_j(E₀)为初始邻域，取为重心坐标样本数的类别数C，即Nj(E₀)=9；E为当每组输入样本通过网络后，赢得此样本的输出层神经元权值与该组输入样本的绝对值距离之和；E₀为初始误差，E_G为目标误差；3）改进后的SOFM算法计算流程：①初始化各连接权值，按照式(8)方式进行初始连接权值确定；②将输入样本向量输入到网络的输入层中；③按式(10)计算输入第l组向量与输出层m个节点间的距离d_j：其中为人体重心的二维坐标数据样本；④计算满足最小距离的输出层神经元c与样本间距离，使其对于任意的输出层神经元节点j，有：⑤按照式(9)确定类别c对应的邻域N_j(E)范围；⑥按式(12) 分别计算调整输出层获胜神经元c及其邻域N_j(E)内的节点所连接的权值，其中，t为当前学习迭代次数；设输出层获胜节点及其周围邻域范围内节点权值的调整量为Δw_{i_j}，则其取值按式(12)计算：其中，α(t)为学习率，其取值随邻域半径的缩小而逐渐减小，其取值按式(13)所示递减函数进行计算；α(0)为初始学习率，赋值为小于1且大于0的小数；t为当前学习迭代次数，T为算法总的学习迭代次数；因此，调整后的权值如式(14)所示：w_{i_j}(t+1)=w_{i_j}(t)+Δw_{i_j},i∈{1,2,...,n},j∈{1,2,...,m}    (14)其中，w_{i_j}为第t次迭代时的网络连接权值，w_{i_j}(t+1)为第t+1次即下次迭代时的网络连接权值；⑦判断结束条件是否满足：若t=T，即训练迭代次数达到设定上限值，或误差小于目标误差，或者学习率α(t)小于设定最小学习率α_min时，则训练完成，结束学习迭代；否则，则继续返回到步骤②执行；4）将训练后SOFM网络输出层权值进行综合计算，调整模糊控制器参数，实现因人而异的轮椅运动速度输出。