基于深度学习的柔性压力阵列信息的压缩采样、重构和预测

《基于深度学习的柔性压力阵列信息的压缩采样、重构和预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10255学号：1149185基于深度学习的柔性压力阵列信息的压缩采样、重构和预测Compressivesampling,reconstructionandpredictionofflexiblepressurearrayinformationbasedondeeplearning学院：信息科学与技术学院专业：控制科学与工程姓名：韩韬导师：郝矿荣教授2018年5月东华大学学位论文原创性声明本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已明确

2、注明和引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日东华大学学位论文版权使用授权书学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权东华大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密□，在年解密后适用本版权书。本学位

3、论文属于不保密□。学位论文作者签名：指导教师签名：日期：年月日日期：年月日摘要摘要随着信息技术的发展，网络和工业过程中需要采样和传输的数据越来越多，在对大量数据进行采样、传输和存储过程中，信息系统承受着越来越重的负荷。压缩感知理论可以使用远低于奈奎斯特采样频率的要求获取数据，并可以准确地重构出数据，大大减小了信息系统处理大量数据的负担。深度学习通过低层特征形成更加抽象的高层表示属性，以发现数据的特征表示。其目的在于模拟人类大脑分析学习的能力，并构建类脑生物机制的神经网络结构，模仿人类大脑的生物机制处理各种类型的数据。人类的

4、大脑是由数百种不同类型的上千亿个神经细胞所构成的极其复杂的生物组织，包含了感知能力、记忆力和神经注意力等多种生物机制。因此借鉴人脑的神经结构、生物机制以及信息处理机制，设计和改进现有的深度神经网络模型，能提升信息系统感知和处理大量数据的能力。本文基于智能感知和深度学习理论，提出了面向柔性压力阵列的压缩采样、数据重构和预测数据方法，并通过人体着装微小压力信息处理对所提出的方法进行了验证，主要内容如下：（1）为了提高基于压缩感知理论的柔性阵列人体微小压力数据采集效率，建立了基于稀疏自编码器的压缩感知模型。对压缩感知理论中的稀疏

5、表示、观测向量进行研究，将深度学习中的稀疏自编码器模型的思想整合到压缩感知理论中，为深度学习和压缩感知理论之间的研究提供了桥梁。利用所提出的模型，改进了压缩感知理论中压缩采样的过程，并计算重构数据与原始数据之间的误差。所提出的模型能够根据设置的重构误差限制不断调整稀疏度值和观测向量的长度，使输出的重构数据满足误差要求。通过柔性压力阵列的人体着装微小压力信息采样实验，证明了所提出方法的有效性。（2）针对采样向量的观测长度较小时，微小压力信息重构精度不高的问题，提出了一种新的神经网络模型——压缩感知网络（CompressedS

6、ensingNetwork,ComsensNet）。首先，将压缩感知理论中的压缩采样过程建模为神经网络形式，并提出一种基于深度学习思想的栈式长短时记忆网络作为压缩感知的重构算法。进而，根据深度学习中的稀疏自编码器的思想，将提出的压缩采样过程的神经网络和栈式长短时记忆网络重构算法，整合成一个新的神经网络模型——压缩感知网络。最后柔性压力阵列的人体模型微小压力信息采集实验验证了所提出方法的优越性。-i-摘要（3）针对采样微小压力信息分布密集部位重构准确度不高的问题，提出了基于人脑记忆力机制和神经注意力机制的压缩感知重构算法。首

7、先，根据人脑记忆力机制的思想，提出了一种多层长短时记忆神经网络模型。进一步，将人脑的神经注意力机制与所提出的多层长短时记忆网络模型相结合。进而，通过人脑这两种生物机制的结合，设计了一种新的压缩感知重构算法。最后，通过人体模型微小压力信息分布密集部位重构实验验证了方法的有效性。（4）针对人体着装时不同部位的压力信息需要多次测量采样的问题，提出了一种深度门限循环单元神经网络结构。进而由人体某一个部位的压力信息预测出人体上半身部分关键点的压力信息分布。通过深度门限循环单元神经网络学习获得人体着装时不同部位之间压力信息存在的关联，

8、以提高采样和测量人体着装压力信息的效率，缩短测量时间。人体不同部位微小压力信息的预测实验，验证了所提出方法的有效性。最后，对本论文的研究内容进行了总结和展望，指出了研究中存在的不足，并对后续的研究内容和相关工作进行了展望。关键词：稀疏自编码器，长短时记忆网络，神经注意力机制，记忆力机制，类脑机制，深度学