CN111783959A - 一种基于分层极限学习机分类的电子皮肤触觉模式识别方法 - Google Patents
一种基于分层极限学习机分类的电子皮肤触觉模式识别方法 Download PDFInfo
- Publication number
- CN111783959A CN111783959A CN202010651799.6A CN202010651799A CN111783959A CN 111783959 A CN111783959 A CN 111783959A CN 202010651799 A CN202010651799 A CN 202010651799A CN 111783959 A CN111783959 A CN 111783959A
- Authority
- CN
- China
- Prior art keywords
- layer
- matrix
- hidden layer
- learning machine
- extreme learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012567 pattern recognition method Methods 0.000 title description 2
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 77
- 239000002033 PVDF binder Substances 0.000 description 7
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 7
- 239000004205 dimethyl polysiloxane Substances 0.000 description 3
- 235000013870 dimethyl polysiloxane Nutrition 0.000 description 3
- CXQXSVUQTKDNFP-UHFFFAOYSA-N octamethyltrisiloxane Chemical compound C[Si](C)(C)O[Si](C)(C)O[Si](C)(C)C CXQXSVUQTKDNFP-UHFFFAOYSA-N 0.000 description 3
- 238000004987 plasma desorption mass spectroscopy Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 description 3
- 239000010409 thin film Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
一种基于分层极限学习机(H_ELM)分类的电子皮肤触觉识别方法,包括信号获取和分层极限学习机分类处理模式识别两个部分,触觉数据的采集和处理采用基于张力的方法。分层极限学习机分类处理模式识别部分通过H_ELM网络的训练确定网络参数,再把训练好的网络模型运用到电子皮肤触觉识别中,即可根据输入信号识别触觉信息。本发明的电子皮肤触觉识别方法不仅具有动态性能好,学习速度快,鲁棒性高等优点,算法的同时分层极限学习机的运用提高了识别的精确度,提高了识别反应速度。
Description
技术领域
本发明涉及一种电子皮肤的识别方法,具体的说就是一种基于分层极限学习机分类的电子皮肤触觉识别方法。
背景技术
电子皮肤主要应用于机器人和生物医学***,其主要功能是传递机械刺激到其下面的传感器阵列,在与外界交互时保护电子***,获取相关的交互信息并识别相应有效信息,传送到上级处理***。
目前电子皮肤还处于开发的初级阶段,主要包括材料、传感器和信息处理几大部分集成,它们之间相互影响,其中如何处理大量和高维的触觉信息仍然是一个挑战性的课题。
目前触觉信息处理主要有K-nearest neighbor法、支持向量机法和基于核极限学习机法等。但各种先进算法精度和复杂程度以及对处理器的运算速度都是不同的,因此智能算法的精度、复杂度以及对处理器的运算速度都是需要考虑的问题。
发明内容
技术方案:为了解决上述问题,采用模式识别方法,将分层极限学习机应(H_ELM)用到触觉检测中去,本发明提出的一种基于H_ELM分类的触觉模式识别算法,采用分层极限学习机,主要包括信号获取和分层极限学习机分类处理模式识别两个部分。
1信号获取部分
电子皮肤安装触觉感应阵列,当在外表面任何点接触发生时,应力转化极化电荷,通过电荷-电压放大经过低通滤波输出到模数转换(A/D)电路,A/D将模拟型号转换成数字信号然后进行模式识别。
2分层极限学习机分类离线学习部分主要实现步骤如下:
步骤一.使用多种物品对触觉单元进行实验,采集相关触觉数据和相应的类别标签
步骤二离线学习
Step1:确定网络的基本结构和参数
确定分层极限学习机隐含层的层数以及每层隐含层所包含的神经元个数:确定隐含层层数为M,初始化各个隐含层的神经元个数,然后不断增加隐含层节点的个数(隐含层神经元个数小于训练数据个数n),训练及测试在不同隐含层节点下的H_ELM网络的分类准确率,当分类准确率稳定到一定值,且变化幅度很小的时候,所对应的隐含层节点个数就是网络所设置节点数,设输入层以及每个隐含层所含的神经元个数分别为Li,i=0,1,2,...,M,L0表示输入层神经元个数,LM表示最后一层隐藏层神经元个数。
Step2:确定每层的激励函数G,激励函数可选‘sigmoid’‘sine’、‘hardlim’函数等。
Step3:随机生成每层ELM稀疏自编码隐含层的输入权重Wi
Wi,i=1,2,...,M-1,分别为[-1,1]范围内随机选取的(Li-1+1)*Li矩阵
随机生成最后一层权重WM,WM为[-1,1]范围内随机选取的(LM-1+1)*LM行正交矩阵
Step4:输入数据的特征提取,输入数据的特征提取需要经过M-1层隐含层,通过M-1层不断提取特征值:
X为n*Lo输入矩阵,n为训练数据个数;
In*1为n*1的全为1的列向量;
Hi为对第i隐含层输出值添加偏置节点In*1的n*(Li+1)矩阵,i=0,1,2,...,M-1,其中H0可看作为输入层的值X添加了偏置节点In*1;
Ai为ELM稀疏自编码隐藏层输出值的n*Li矩阵,i=1,2,...,M-1;
βi为第i-1层与第i层之间的(Li-1+1)*Li权重矩阵,i=1,2,...,M-1,其中第0层为输入层;
Ti为第i隐含层输出值的n*Li矩阵,i=1,2,...,M;
任意矩阵Z的上标ZT表示矩阵Z的转置;
H0=[X In*1] (1)
当i=1,2,...,M-1,重复执行(2)~(5)
Ai=Hi-1Wi (2)
由ELM稀疏自编码求解Aiβi T=Hi-1得到βi (3)
Ti=Hi-1βi (4)
Hi=[Ti In*1] (5)
Step5:最后一层传统极限学习机分类。
TM=G(HM-1WM) (6)
βM=(TM T*TM+D*C)-1*TM T*Y (8)
Ypre=TMβM (9)
Y为n*Lo训练标签矩阵,βM为最后一层LM*Lo输出权重矩阵,Lo为输出节点(标签)数,D为LM*LM的单位对角阵,C为惩罚因子,Ypre为最终的网络预测输出。
附图说明
图1为网络结构图
具体实施方式
为进一步解释本发明的技术方案,
1信号获取部分
触觉数据的采集和处理采用基于张力的方法。电子皮肤安装触觉感应阵列,传感器结构由三层组成,最上面的PDMS保护层,中间的聚偏氟乙烯(PVDF)薄膜层和印刷电路PCB底层,PVDF薄膜底部喷有电极并联接到上部的公共电极端,当在外表面任何点接触发生时,应力通过弹性PDMS层由聚偏氟乙烯(PVDF)测得显影电极所收集的极化电荷。整个***的机电转换是每一个PVDF电极转换成电压的电荷作为对机械刺激的反应,以4x4触觉感应阵列为一单元,信号采用16通道电荷放大器进行测量应力(通过弹性PDMS层由聚偏氟乙烯(PVDF)测得显影电极所收集的)转化极化电荷,通过电荷-电压放大经过低通滤波输出到模数转换(A/D)电路,A/D将模拟型号转换成数字信号然后进行模式识别。
对于每个实验(即每个接触手势的每个动作),采集传感器阵列输出对应的16个时间信号进行处理。训练数据和测试数据是通过整个实验最终总共产生了420种模式(70名参与者,3种手势,每个接触手势有2种模式,水平和垂直刺激),将测得的420组数据分成294组训练数据数据和126组测试数据进行标准化处理;
2分层极限学习机分类离线学习部分主要实现步骤如下:
第一部分:分层极限学习机分类处理部分,该H_ELM网络的输入层L0神经元个数为16,总共有3个隐含层,第一隐含层神经元个数为L1=20个,第二层神经元个数为L2=20个,最后一隐含层神经元个数L3为300个,输出层神经元个数为6。其训练步骤如下:
步骤一.使用多种物品对触觉单元进行实验,采集相关触觉数据和相应的类别标签;
步骤二离线学习
Step1:确定网络的基本结构和参数
确定分层极限学习机隐含层的层数以及每层隐含层所包含的神经元个数。初始化各个隐含层的神经元个数如上所述,然后不断增加隐含层节点的个数(隐含层神经元个数小于训练数据个数n),训练及测试在不同隐含层节点下的H_ELM网络的分类准确率,当分类准确率稳定到一定值,且变化幅度很小的时候,所对应的隐含层节点数就是网络所设置节点数,隐含层层数为M,输入层以及每个隐含层所含的神经元个数分别为Li,i=0,1,2,...,M,L0表示输入层神经元个数,LM表示最后一层隐藏层神经元个数,取M=3,前两层隐含层节点数相同。
Step2:确定每层的激励函数G,激励函数可选‘sigmoid’函数。
Step3:随机生成每层ELM稀疏自编码隐含层的输入权重Wi
Wi,i=1,2,...,M-1,分别为[-1,1]范围内随机选取的(Li-1+1)*Li矩阵
随机生成最后一层权重WM,WM为[-1,1]范围内随机选取的(LM-1+1)*LM行正交矩阵
Step4:输入数据的特征提取,输入数据的特征提取需要经过M-1层隐含层,通过M-1层不断提取特征值:
X为n*L0输入矩阵,n为训练数据个数;
In*1为n*1的全为1的列向量;
Hi为对第i隐含层输出值添加偏置节点In*1的n*(Li+1)矩阵,i=0,1,2,...,M-1,其中H0可看作为输入层的值X添加了偏置节点In*1;
Ai为ELM稀疏自编码隐藏层输出值的n*Li矩阵,i=1,2,...,M-1;
βi为第i-1层与第i层之间的(Li-1+1)*Li权重矩阵,i=1,2,...,M-1,其中第0层为输入层;
Ti为第i隐含层输出值的n*Li矩阵,i=1,2,...,M;
任意矩阵Z的上标ZT表示矩阵Z的转置;
H0=[X In*1] (10)
当i=1,2,...,M-1,重复执行(11)~(15)
Ai=Hi-1Wi (11)
由ELM稀疏自编码求解Aiβi T=Hi-1得到βi (12)
Ti=Hi-1βi (13)
Hi=[Ti In*1] (14)
Step5:最后一层传统极限学习机分类。
TM=G(HM-1WM) (15)
βM=(TM T*TM+D*C)-1*TM T*Y (17)
Ypre=TMβM (18)
Y为n*6训练标签矩阵,βM为最后一层LM*6输出权重矩阵,D为LM*LM的单位对角阵,C为惩罚因子,Ypre为最终的网络预测输出。
Claims (1)
1.一种基于H_ELM分类的触觉模式识别算法,采用分层极限学习机,主要包括信号获取和分层极限学习机分类处理模式识别两个部分;
1)信号获取部分
电子皮肤安装触觉感应阵列,当在外表面任何点接触发生时,应力转化极化电荷,通过电荷-电压放大经过低通滤波输出到模数转换(A/D)电路,A/D将模拟型号转换成数字信号然后进行模式识别;
2)分层极限学习机分类离线学习部分主要实现步骤如下:
步骤一.使用多种物品对触觉单元进行实验,采集相关触觉数据和相应的类别标签
步骤二 离线学习
Step1:确定网络的基本结构和参数
确定分层极限学习机隐含层的层数以及每层隐含层所包含的神经元个数:确定隐含层层数为M,初始化各个隐含层的神经元个数,然后不断增加隐含层节点的个数(隐含层神经元个数小于训练数据个数n),训练及测试在不同隐含层节点个数下的H_ELM网络的分类准确率,当分类准确率稳定到一定值,且变化幅度很小的时候,所对应的隐含层节点数就是网络所设置节点数,设输入层以及每个隐含层所含的神经元个数分别为Li,i=0,1,2,...,M,L0表示输入层神经元个数,LM表示最后一层隐藏层神经元个数;
Step2:确定每层的激励函数G,激励函数可选‘sigmoid’‘sine’、‘hardlim’函数等;
Step3:随机生成每层ELM稀疏自编码隐含层的输入权重Wi
Wi,i=1,2,...,M-1,分别为[-1,1]范围内随机选取的(Li-1+1)*Li矩阵
随机生成最后一隐含层权重WM,WM为[-1,1]范围内随机选取的(LM-1+1)*LM行正交矩阵
Step4:输入数据的特征提取,输入数据的特征提取需要经过M-1层隐含层,通过M-1层不断提取特征值:
X为n*Lo输入矩阵,n为训练数据个数;
In*1为n*1的全为1的列向量;
Hi为对第i隐含层输出值添加偏置节点In*1的n*(Li+1)矩阵,i=0,1,2,...,M-1,其中H0可看作为输入层的值X添加了偏置节点In*1;
Ai为ELM稀疏自编码隐藏层输出值的n*Li矩阵,i=1,2,...,M-1;
βi为第i-1层与第i层之间的(Li-1+1)*Li权重矩阵,i=1,2,...,M-1,其中第0层为输入层;
Ii为第i隐含层输出值的n*Li矩阵,i=1,2,...,M;
任意矩阵Z的上标ZT表示矩阵Z的转置;
H0=[X In*1] (1)
当i=1,2,...,M-1,重复执行(2)~(5)
Ai=Hi-1Wi (2)
由ELM稀疏自编码求解Aiβi T=Hi-1得到βi (3)
Ti=Hu-1βi (4)
Hi=[Ti In*1] (5)
Step5:最后一层传统极限学习机分类;
TM=G(HM-1WM) (6)
βM=(TM T*TM+D*C)-1*TM T*Y (8)
Ypre=TMβM (9)
Y为n*Lo训练标签矩阵,βM为最后一层LM*Lo输出权重矩阵,Lo为输出节点(触觉模式标签)数,D为LM*LM的单位对角阵,C为惩罚因子,Ypre为最终的网络预测触觉模式输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010651799.6A CN111783959A (zh) | 2020-07-08 | 2020-07-08 | 一种基于分层极限学习机分类的电子皮肤触觉模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010651799.6A CN111783959A (zh) | 2020-07-08 | 2020-07-08 | 一种基于分层极限学习机分类的电子皮肤触觉模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783959A true CN111783959A (zh) | 2020-10-16 |
Family
ID=72758495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010651799.6A Pending CN111783959A (zh) | 2020-07-08 | 2020-07-08 | 一种基于分层极限学习机分类的电子皮肤触觉模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783959A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112485394A (zh) * | 2020-11-10 | 2021-03-12 | 浙江大学 | 一种基于稀疏自编码和极限学习机的水质软测量方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120105613A1 (en) * | 2010-11-01 | 2012-05-03 | Robert Bosch Gmbh | Robust video-based handwriting and gesture recognition for in-car applications |
CN105956351A (zh) * | 2016-07-05 | 2016-09-21 | 上海航天控制技术研究所 | 一种基于机器学习的触觉信息分类计算建模方法 |
US20160342904A1 (en) * | 2015-05-21 | 2016-11-24 | Rochester Institute Of Technology | Method and Apparatus for Training Memristive Learning Systems |
CN106897737A (zh) * | 2017-01-24 | 2017-06-27 | 北京理工大学 | 一种基于超限学习机的高光谱遥感图像地物分类方法 |
CN107947650A (zh) * | 2017-11-22 | 2018-04-20 | 湖南工业大学 | 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法 |
CN108021947A (zh) * | 2017-12-25 | 2018-05-11 | 北京航空航天大学 | 一种基于视觉的分层极限学习机目标识别方法 |
CN108122004A (zh) * | 2017-12-19 | 2018-06-05 | 杭州电子科技大学 | 基于Fisher判别稀疏超限学习机的脑电分类方法 |
US20190042952A1 (en) * | 2017-08-03 | 2019-02-07 | Beijing University Of Technology | Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User |
CN109886097A (zh) * | 2019-01-10 | 2019-06-14 | 杭州电子科技大学 | 一种基于人工鱼群优化h-elm的疲劳驾驶检测方法 |
CN110059571A (zh) * | 2019-03-21 | 2019-07-26 | 西安交通大学 | 一种基于极限学习机的表面肌电多分类方法 |
-
2020
- 2020-07-08 CN CN202010651799.6A patent/CN111783959A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120105613A1 (en) * | 2010-11-01 | 2012-05-03 | Robert Bosch Gmbh | Robust video-based handwriting and gesture recognition for in-car applications |
US20160342904A1 (en) * | 2015-05-21 | 2016-11-24 | Rochester Institute Of Technology | Method and Apparatus for Training Memristive Learning Systems |
CN105956351A (zh) * | 2016-07-05 | 2016-09-21 | 上海航天控制技术研究所 | 一种基于机器学习的触觉信息分类计算建模方法 |
CN106897737A (zh) * | 2017-01-24 | 2017-06-27 | 北京理工大学 | 一种基于超限学习机的高光谱遥感图像地物分类方法 |
US20190042952A1 (en) * | 2017-08-03 | 2019-02-07 | Beijing University Of Technology | Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User |
CN107947650A (zh) * | 2017-11-22 | 2018-04-20 | 湖南工业大学 | 一种基于极限学习机分类的无刷直流电机无位置传感器控制方法 |
CN108122004A (zh) * | 2017-12-19 | 2018-06-05 | 杭州电子科技大学 | 基于Fisher判别稀疏超限学习机的脑电分类方法 |
CN108021947A (zh) * | 2017-12-25 | 2018-05-11 | 北京航空航天大学 | 一种基于视觉的分层极限学习机目标识别方法 |
CN109886097A (zh) * | 2019-01-10 | 2019-06-14 | 杭州电子科技大学 | 一种基于人工鱼群优化h-elm的疲劳驾驶检测方法 |
CN110059571A (zh) * | 2019-03-21 | 2019-07-26 | 西安交通大学 | 一种基于极限学习机的表面肌电多分类方法 |
Non-Patent Citations (2)
Title |
---|
J. TANG: "\"Extreme Learning Machine for Multilayer Perceptron\"", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, vol. 27, no. 4, pages 2 - 3 * |
邓万宇等: ""极限学习机中隐含层节点选择研究"", 《信息技术》, vol. 42, no. 8, pages 1 - 3 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112485394A (zh) * | 2020-11-10 | 2021-03-12 | 浙江大学 | 一种基于稀疏自编码和极限学习机的水质软测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Navaraj et al. | Fingerprint‐enhanced capacitive‐piezoelectric flexible sensing skin to discriminate static and dynamic tactile stimuli | |
Zhao et al. | Fingerprint-inspired electronic skin based on triboelectric nanogenerator for fine texture recognition | |
Rasouli et al. | An extreme learning machine-based neuromorphic tactile sensing system for texture recognition | |
Baishya et al. | Robust material classification with a tactile skin using deep learning | |
Petković et al. | Adaptive control algorithm of flexible robotic gripper by extreme learning machine | |
Chuang et al. | Detection system of incident slippage and friction coefficient based on a flexible tactile sensor with structural electrodes | |
Scimeca et al. | Soft morphological processing of tactile stimuli for autonomous category formation | |
Damian et al. | Artificial tactile sensing of position and slip speed by exploiting geometrical features | |
Ghazaei et al. | An exploratory study on the use of convolutional neural networks for object grasp classification | |
Polepalli et al. | Digital neuromorphic design of a liquid state machine for real-time processing | |
DelPreto et al. | A wearable smart glove and its application of pose and gesture detection to sign language classification | |
CN111783959A (zh) | 一种基于分层极限学习机分类的电子皮肤触觉模式识别方法 | |
Gupta et al. | Spatio-temporal encoding improves neuromorphic tactile texture classification | |
Gao et al. | A touch orientation classification-based force–voltage responsivity stabilization method for piezoelectric force sensing in interactive displays | |
Dabbous et al. | Touch modality classification using spiking neural networks and supervised-stdp learning | |
Wang et al. | Hand gesture recognition with flexible capacitive wristband using triplet network in inter-day applications | |
Luo et al. | Surface recognition via force-sensory walking-pattern classification for biped robot | |
Bai et al. | Tactile perception information recognition of prosthetic hand based on dnn-lstm | |
Qin et al. | Roughness discrimination with bio-inspired tactile sensor manually sliding on polished surfaces | |
De Rossi et al. | Skin-like tactile sensor arrays for contact stress field extraction | |
Hosoda et al. | Robust haptic recognition by anthropomorphic bionic hand through dynamic interaction | |
Cui et al. | Tactile glove-decode and classify the human grasping process | |
Rasouli et al. | Spike-based tactile pattern recognition using an extreme learning machine | |
Dabbous et al. | Object contact shape classification using neuromorphic spiking neural network with STDP learning | |
Liu et al. | Material Recognition using Robotic Hand with Capacitive Tactile Sensor Array and Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201016 |