[發明專利]一種基于卷積神經網絡和遷移學習的智能設備振動通信方法

有效

• 申請號: 202011351885.1
• 申請日: 2020-11-26
• 公開（公告）號: CN112511474B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 王勇;趙廣榮;沈益冉;張越;王天一;辛顯楠
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: H04L25/49
• 分類號: H04L25/49;H04L25/03;H04B13/00;G06N3/04;G06K9/62
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 張宏威

1.一種基于卷積神經網絡和遷移學習的智能設備振動通信方法，所述智能設備包括發送端和接收端，其特征是：包括以下步驟：

步驟1：對智能設備的發送端進行振動信號的比特流分組調制發送；

所述步驟1具體為：

步驟1.1：比特流數據分組形成比特位組，進行比特流分組操作，將比特流數據分割成固定大小的比特位組，每4個比特數據作為一個比特位組，智能設備的發送端選擇傳輸最短的單個符號長度來提高傳輸速率；

步驟1.2：進行比特位組振動編碼，智能設備的發送端將比特位組轉換為振動信號來傳輸，其中，單個符號長度為15ms，當發送1，則包含10ms的空閑狀態和5ms的振動狀態，當發送0則15ms全為空閑狀態；

步驟1.3：在每4位比特位組的末尾附加了一個40ms的冷卻時間，使得振動電機減速至平靜狀態；智能設備的發送端在比特位組傳輸的開始處放置一個特殊的信標位，讓接收設備接收整個振動消息的起點，信標位讓振動電機持續振動30ms，讓電機達到最大振動幅，隨后切換至70ms的空閑狀態，讓振動電機充分冷靜；

步驟2：對智能設備的接收端進行振動起點的確定，采用信標位檢測算法，并獲取原始三軸加速度計信號；

步驟3：對接收端三軸加速度計信號進行主成分特征提取，去除信號噪聲；

步驟4：對主成分分析特征提取后的加速度信號進行卷積神經網絡解碼，得到比特位組對應的符號標簽；

步驟5：當通信環境發生改變時，進行遷移學習，提高振動信號識別準確率。

2.根據權利要求1所述的一種基于卷積神經網絡和遷移學習的智能設備振動通信方法，其特征是：所述步驟2具體為：

采用信標位檢測算法，對智能設備的接收端找到數據傳輸的起點進行振動解碼；信標位檢測算法使用三軸加速度計幅值的平方和梯度來尋找起始點，根據信標位和兩個含有冷卻期的4位比特位組的梯度的絕對值，采用的時間窗長度為100ms，步長為5ms，通過計算滑動窗口的前半部分和后半部分梯度的平均值得到滑動窗口內空閑期的基線值BS_idle和振動期的基線值BS_vib；

根據BS_idle和BS_vib來判斷時間窗口的中間是否是振動的起始點，當時間窗中點的梯度絕對值大于BS_idle，那么此時時間窗中點被標記為振動候選點。

3.根據權利要求2所述的一種基于卷積神經網絡和遷移學習的智能設備振動通信方法，其特征是：還應當考慮振動的生命周期，即判斷BS_vib是否大于BS_idle，即判斷當前梯度值的增加是否是持續了一段時間且具有較高的能量，如果滿足上述條件時，則當前時間窗口內的中點是振動的起點。

4.根據權利要求1所述的一種基于卷積神經網絡和遷移學習的智能設備振動通信方法，其特征是：所述步驟3具體為：

步驟3.1：利用主成分分析來提取其特征，S∈R^M×N是100ms的加速度計片段，M＝3代表加速度計的三個軸，N代表每個軸采集的N個數據點，當采樣率為200Hz時N＝20，主成分分析算法找到一個投影矩陣φ∈R^M×m，將原始數據矩陣投影到一個低緯度的表示，F_v∈R^N使得投影值盡可能的分散即方差最大，在計算投影矩陣前，原始數據必須進行零均值化，即去中心化，數據矩陣每一行減去均值得到中心化的矩陣如下：

其中，i是S矩陣的列索引；

步驟3.2：采取矩陣的分解方法特征值分解EVD，來計算矩陣的特征向量和特征值，通過下式表示矩陣的特征向量和特征值：

其中，對角線E_ordered是特征值的降序排列，φ的列向量包含了特征值對應的特征向量；

步驟3.3：將原始數據矩陣投影到特征空間F，F∈R^m×N的第一行F_v對應了E_ordered中的最大特征值，保留了原始信號的最大信息；F中的兩行被丟棄，包含了信號最少的信息。