申请/专利权人：华南理工大学

申请日：2021-09-27

公开（公告）日：2024-04-16

公开（公告）号：CN113887374B

主分类号：G06F18/241

分类号：G06F18/241;B25J9/16;G06F3/01;G06F18/10;G06F18/2134;G06F18/24;G06F18/2415;G06N3/047;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.01.21#实质审查的生效;2022.01.04#公开

摘要：本发明提供了一种基于动态收敛微分神经网络的脑控喝水系统，包括如下步骤：1将emotiv脑电设备采集到的脑电数据进行数据通道筛选、带通滤波以及独立成分分析；2将将步骤1中得到的数据集通过动态收敛微分神经网络进行训练以及识别分类；3将步骤2中得到的P300识别分类结果结合用户界面得到最终的目标物体编号；4将步骤3中得到目标物体编号发送至视觉机械臂系统，抓取杯子送至用户嘴边，完成喝水任务。

主权项：1.一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，包括如下步骤：S1、对脑电设备采集到的脑电数据进行预处理，得到样本集；S2、将步骤S1中得到的样本集通过动态收敛微分神经网络进行训练以及识别分类，得到P300识别分类结果；S3、将步骤S2中得到的P300识别分类结果结合用户界面得到最终的目标物体编号；S4、将步骤S3中得到目标物体编号发送至视觉机械臂系统，抓取杯子送至用户嘴边，完成喝水任务；其中，所述动态收敛微分神经网络包括输入层、隐藏层和输出层，通过前向传播得到下一层神经元的值；动态收敛微分神经网络的计算过程如下：输入层神经元直接从输入层特征维度获取，即：h1i＝xi，i＝1，2，…，m1在前向传播中，根据权值矩阵、神经元和偏置的值推导计算出下一层神经元的值，则隐藏层神经元h2j通过h1i与输入层和隐藏层之间的权值矩阵w1计算得出，即： h2j＝fL2j，j＝1，2，...，n3输出层神经元yk通过h2j与权值矩阵w2计算得出，即： yk＝fL3k，k＝1，2，...，p5式中，xi是输入层的特征维度，i＝1，2，…m，h1i是输入层的神经元，h2j是隐藏层的神经元，j＝1,2,…n，yk是输出层的神经元，k＝1,2,…p，m代表输入层神经元个数，n代表隐藏层神经元个数，p代表输出层神经元个数，Y是样本的标签值，L2j,L3k分别是计算权值矩阵与输入层相乘后加上偏置的中间变量，以及计算权值矩阵与隐藏层相乘后加上偏置的中间变量，b1j，b2k是权值矩阵的偏置，wji代表输入层中的第i个神经元与隐藏层中的第j个神经元之间的权值矩阵，wjk代表隐藏层中的第j个神经元与输出层的第k个神经元之间的权值矩阵，fx是激活函数；求解得到动态收敛微分神经网络中目标函数Ek的最优值，即可输出最终的分类结果，其中目标函数Ek的表达式如下：Ek＝fw2h2j+b2k-Y＝yk-Y7通过不断修改两个权值矩阵w1,w2找到Ek的最优值，为了使Ek收敛至最小，应用一个神经动力学公式： 式中，ΔEk为Ek的导数，λ为学习率，是一个大于0的常数，gEk是一个单调递增的奇函数，是激活函数； 其中参数a,b均大于等于2，x＝Ek；将式7带入式8，得：ΔykΔw2h2j+w2Δh2j＝-λgyk-Y10式中，Δyk、Δw2、Δh2j分别为输出层神经元的导数、隐藏层到输出权值矩阵w2的导数和隐藏层神经元h2j的导数，因此为了求解Δyk，需要分别单独求出Δw2，Δh2j，求解方法为：假设权值矩阵w1是迭代中的常数向量，即w1与h2j导数均为0，则有： 两边同时乘h2j的伪逆矩阵h2j+，得出Wt的导数： 假设权值矩阵w2是迭代中的常数向量，即w2导数为0，又因为：Δh1i＝Δfh2jΔw1h1i13同理，得出w1的导数： w2+是w2的伪逆矩阵，h1i+为输入层的伪逆矩阵，Δf为softsign激活函数的倒数；至此，完成DCDNN神经网络求解过程，反复迭代，在每轮迭代中改变w1与w2，即：w2＝w2+Δw2，w1＝w1+Δw1，迭代至Ek至收敛即可。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于动态收敛微分神经网络的脑控喝水系统

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