申请/专利权人：厦门大学

申请日：2021-07-09

公开（公告）日：2024-03-19

公开（公告）号：CN113537489B

主分类号：G06N3/0985

分类号：G06N3/0985;G06N3/045;G06N3/0475;G06N3/094;G06N3/088;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：本发明涉及一种手肘角度预测方法、终端设备及存储介质，该方法中包括：S1：通过柔性传感器采集手肘处于不同角度时的电阻值，将采集的电阻值和手肘角度组成原始数据集DO；S2：构建基于生成对抗网络的cmd‑GAN网络模型，通过原始数据集DO对cmd‑GAN网络模型进行训练，通过训练后的cmd‑GAN网络模型将原始数据集DO转换为合成数据集DS；S3：构建基于全连接神经网络的预测器，通过合成数据集DS对预测器进行训练；S4：当对手肘角度进行预测时，将通过柔性传感器采集的电阻值输入训练后的预测器后，得到预测的手肘角度。本发明可以提高通过柔性传感器预测手肘角度的准确性。

主权项：1.一种手肘角度预测方法，其特征在于，包括以下步骤：S1：通过柔性传感器采集手肘处于不同角度时的电阻值，将采集的电阻值和手肘角度组成原始数据集DO；S2：构建基于生成对抗网络的cmd-GAN网络模型，通过原始数据集DO对cmd-GAN网络模型进行训练，通过训练后的cmd-GAN网络模型将原始数据集DO转换为合成数据集DS；cmd-GAN网络模型包括生成器和鉴别器，生成器包括两个输入c和z，其中，c表示输入数据中的手肘角度，z表示噪声向量，生成器的输出为合成电阻值，鉴别器用于对合成电阻值和输入数据中的原始电阻值进行鉴别，以使损失函数最小；cmd-GAN网络模型的损失函数包括对抗损失LD和生成损失LG，计算公式分别为：LD＝αLD2+1-αLD1-E[logCR]LG＝αLG2+1-αLG1-E[logCF]其中，CR和CF分别表示鉴别器正确分类的真实和假样本的概率，E表示概率分布期望值，LD2和LG2分别表示对抗损失LD和生成损失LG中的Wasserstein距离，LD1和LG1分别表示对抗损失LD和生成损失LG中的交叉熵，α表示超参数；S3：构建基于全连接神经网络的预测器，通过合成数据集DS对预测器进行训练；S4：当对手肘角度进行预测时，将通过柔性传感器采集的电阻值输入训练后的预测器后，得到预测的手肘角度。

全文数据：

权利要求：

百度查询： 厦门大学 一种手肘角度预测方法、终端设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD