基于多阶通道响应对称双线性卷积神经网络的分布式压力识别

目前基于传感阵列的分布式压力识别方法,通常先将压力信息表征为图像,然后再进行特征的提取与分类,但存在两个问题:传感阵列密度有限,压力图像分辨率低;柔性传感阵列存在弹性耦合,压力图像边缘模糊。本文提出了一种多阶通道响应对称双线性卷积神经网络(HoSB-CNN)。首先,构建通道注意力响应CNN,通过给不同特征依照显著性赋权值以提升一阶特征的描述能力。其次提出对称双线性特征,引入二阶特性提高CNN对边缘和纹理的敏感度,并利用其结构对称性降低网络复杂度。最后,提出多阶特征混合策略提升网络的非线性拟合能力。此外,通过自制数据采集平台和8×8传感阵列,建立压力字母数据集用于HoSB-CNN的验证。结果表明,该算法获得了98.11%的准确率。