一种结构动载荷识别方法和虚拟键盘

1.本文涉及结构动力学反问题技术，尤指一种结构动载荷识别方法和虚拟键盘。


背景技术：

2.近年来，虚拟键盘技术正在得到越来越多的关注。虚拟键盘与传统的机械键盘相比具有节省成本和空间、对材料和大小限制较少、可以根据用户习惯和喜好定制按键显示、键盘布局以及输入模式可编程等优点，因而被广泛应用。
3.本质上，虚拟键盘功能的实现在力学上等效为定位和重构出作用在结构上的外载荷。这类已知结构信息和载荷作用下的结构动态响应，求解载荷信息的问题被称为结构动载荷识别问题。已有的结构动载荷识别方法均要求传感器数量不少于载荷可能作用位置数量，且需人工选择参数，这给载荷识别问题带来极大困难。


技术实现要素：

4.有鉴于此，本发明实施例提供了以下方案。
5.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
6.本发明实施例提供了一种结构动载荷识别方法，包括：
7.通过传感器获取载荷作用下的结构动态响应向量；
8.将噪声向量添加到所述结构动态响应向量中，获得观测向量；
9.根据所述获得的观测向量，构建贝叶斯模型；
10.根据所述贝叶斯模型，求解作用在结构上的载荷和精度参数；
11.其中，所述精度参数用于表示对所述载荷的定位。
12.在一种示例性实例中，所述噪声向量为高斯白噪声向量。
13.在一种示例性实例中，所述根据所述获得的观测向量，构建贝叶斯模型，包括：
14.用基于所述噪声向量的过程参数构建所述载荷的条件概率分布，其中，所述载荷的条件概率分布表示当所述载荷为f时所述观测向量为x的概率；
15.用所述精度参数构建所述载荷的先验概率分布，其中，所述载荷的先验概率分布表示所述载荷的先验知识；
16.载荷的后验分布正比于所述条件概率分布和所述先验概率分布的乘积，其中，所述载荷的后验分布表示当所述观测向量为x时所述载荷为f的概率。
17.在一种示例性实例中，所述根据所述贝叶斯模型，求解作用在结构上的载荷和精度参数，包括：
18.采用迭代方式执行以下步骤，直至获得的相对误差小于预设公差值：
19.用最大似然估计计算所述载荷的后验分布，得到所述载荷的最大后验概率分布；
20.用最大化超参数边际概率函数计算所述过程参数与所述精度参数的联合后验分布，得到所述精度参数的众数值；
21.将符合所述预设公差值的载荷的最大后验概率分布作为载荷识别结果。
22.在一种示例性实例中，上述结构动载荷识别方法，还包括：
23.预设载荷识别精度指标，用于判断所述载荷识别的精度；
24.所述载荷识别精度指标包括：
25.重构误差，用于表示重构精度，如下式所示，
26.re＝||f
true-f
reconstructed
||227.其中，re为重构误差，f
true
为真实载荷，f
reconstructed
为载荷识别结果；
28.载荷作用位置指标，用于表示定位精度，如下式所示，
[0029][0030]
其中，βi为载荷作用位置指标，下标i表示所有载荷可能作用位置中的第i个位置，为i位置的载荷。
[0031]
在一种示例性实例中，上述结构动载荷识别方法，还包括：
[0032]
预设载荷作用时间长度指标，用于表示载荷作用时间的长短，如下式所示，
[0033][0034]
其中，λ为载荷作用时间长度指标，f
reconstructed
为载荷识别结果。
[0035]
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上述结构动载荷识别方法。
[0036]
本发明上述实施例的方法和装置可以同时识别多个位置上的载荷，能应用于不同的场景，适用范围广。此外，无需人工选取参数，计算速度快，可实现实时载荷识别。而且在低信噪比下体现出较好的鲁棒性，识别精度高。
[0037]
本发明实施例还提供了一种虚拟键盘，包括：
[0038]
传感器，设置于弹性体表面，用于获取载荷作用下的结构动态响应；
[0039]
所述传感器数量，设置为多于载荷实际作用位置数量但少于载荷可能作用位置数量；
[0040]
处理模块，设置为采用上述结构动载荷识别方法识别作用在弹性体上的载荷。
[0041]
在一种示例性实例中，所述传感器可以是加速度传感器、位移传感器、速度传感器中的一种。
[0042]
在一种示例性实例中，所述虚拟键盘还包括固定支撑结构，用于支撑固定所述弹性体。
[0043]
本发明上述实施例的虚拟键盘，只需安装传感器即可实现键盘功能，结构形式简单，而且所需传感器数量小于虚拟键盘按键的数量，节省了经济成本。此外，上述虚拟键盘能应用于不同的弹性体表面，适用范围广，可以满足多种用户的按键习惯。
[0044]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0045]
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
[0046]
图1是本发明实施例结构动载荷识别方法的流程图；
[0047]
图2是本发明实施例根据观测向量构建贝叶斯模型的流程图；
[0048]
图3是本发明实施例求解载荷和精度参数的流程图；
[0049]
图4是本发明实施例虚拟键盘示意图；
[0050]
图5是本发明实施例虚拟键盘设置为游戏模式的按键分布示意图；
[0051]
图6是本发明实施例虚拟键盘设置为游戏模式的工作方法示意图；
[0052]
图7是本发明实施例虚拟键盘设置为数字模式的按键分布示意图；
[0053]
图8是本发明实施例虚拟键盘设置为字母模式的按键分布示意图；
[0054]
图9是本发明实施例虚拟键盘设置为数字和字母模式的工作方法示意图。
具体实施方式
[0055]
本发明描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本发明所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
[0056]
本发明包括并设想了与本领域普通技术人员已知的特征和元件的组合。本发明已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本发明中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
[0057]
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本发明实施例的精神和范围内。
[0058]
本发明实施例提供了一种结构动载荷识别方法，如图1所示，包括：
[0059]
步骤110，通过传感器获取载荷作用下的结构动态响应向量。
[0060]
结构动态响应向量和作用在结构上的载荷的关系，如公式(1)所示：
[0061]
w＝hf
ꢀꢀ
(1)
[0062]
其中，是测量位置处的结构动态响应向量，是作用在结构上的载荷，是系统矩阵，ns是传感器个数，n
t
是待识别载荷的作用时间长度，r是载荷
可能作用位置数量。
[0063]
在动载荷识别问题中，作用在结构上的载荷可以根据其固有属性或结构特征被分为若干组。
[0064]
在一种示例性实例中，按照载荷位置进行分组，作用在结构上的载荷f如公式(2)所示：
[0065][0066]
其中，是i位置的载荷向量。
[0067]
在一种示例性实例中，对于虚拟键盘，不同键盘模式下的按键均为载荷可能作用位置。而传感器数量有限，少于载荷可能作用位置数量。假设，单次按键数量少于传感器数量，少于可能作用位置数量，即中只有一组或几组为非零向量，其余均为零向量，非零向量组所对应的位置即为载荷真实作用位置。这些假设符合实际键盘输入时只有一个或几个键同时被敲击的情况。因此，对于键盘敲击位置的定位问题转换为对于f中非零向量组的识别问题。
[0068]
根据不同应用场景，选择不同的传感器获取载荷作用下的结构动态响应向量，传感器可以是加速度传感器、位移传感器、速度传感器。
[0069]
在一种示例性实例中，通过加速度传感器获取载荷作用下的结构动态响应向量。
[0070]
步骤120，将噪声向量添加到所述结构动态响应向量中，获得观测向量。
[0071]
在一种示例性实例中，考虑到观测噪声的影响，将一零均值的高斯白噪声向量添加到测量位置处的结构动态响应向量(即加速度向量)中，得到观测加速度向量，如公式(3)所示：
[0072]
x＝w n＝hf n
ꢀꢀ
(3)
[0073]
其中，是高斯白噪声向量。
[0074]
信噪比(snr)如公式(4)所示：
[0075][0076]
步骤130，根据获得的观测向量，构建贝叶斯模型。
[0077]
已经获取了含有噪声的观测加速度向量x，那么作用在结构上的载荷及其相应的不确定程度由其后验概率分布来表示，即贝叶斯公式，如公式(5)所示：
[0078]
p(f|x)
∝
p(x|f)p(f)
ꢀꢀ
(2)
[0079]
其中，p(f|x)是载荷的后验概率分布，表示当观测加速度向量为x时，载荷为f的概率；p(x|f)是条件概率分布，表示当载荷为f时观测加速度向量为x的概率，即似然函数；p(f)是载荷的先验概率分布。
[0080]
在一种示例性实例中，根据获得的观测向量，构建贝叶斯模型，如图2所示，包括：
[0081]
步骤210，用基于噪声向量的过程参数构建载荷的条件概率分布，其中，载荷的条件概率分布表示当载荷为f时观测向量为x的概率。
[0082]
条件概率分布p(x|f)由噪声的先验概率分布p(n)决定，假设n为零均值的高斯白噪声，噪声的先验概率分布如公式(6)所示：
[0083][0084]
其中，τn为过程参数。这里我们假设n的各个分量是独立同分布的。
[0085]
步骤220，用精度参数构建载荷的先验概率分布，其中，载荷的先验概率分布表示载荷的先验知识。
[0086]
假设不同位置的载荷是不相关的，则每个都可以被视为一个独立的向量，载荷f的先验概率分布就等于每个位置上载荷向量的先验概率的乘积。通常，载荷向量的先验概率分布可以认为是服从精度矩阵为ai的零均值多元正态分布，如公式(7)所示：
[0087][0088]
其中，a是由精度矩阵ai组成的，ai＝αii，一组载荷向量对应一个精度参数αi，体现了组级的稀疏性。如果精度参数是有限的，则说明在相对应的载荷可能作用位置上真实作用了载荷，否则精度参数将趋于无穷大。
[0089]
步骤230，载荷的后验分布正比于条件概率分布和先验概率分布的乘积，其中，载荷的后验分布表示当观测向量为x时载荷为f的概率。
[0090]
由于过程参数τn和精度参数αi的选取对载荷的重构起主要作用，为避免人为选择参数造成的错误结果，本发明使用数据驱动方式自动选取精度参数。
[0091]
将过程参数τn和精度参数αi设为随机变量，载荷f的后验分布如公式(8)所示：
[0092][0093]
其中，协相关矩阵σ如公式(9)所示：
[0094]
σ＝(2τ
nht
h a)-1
ꢀꢀ
(5)
[0095]
均值μ如公式(10)所示：
[0096]
μ＝2τnσh
t
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0097]
步骤140，根据贝叶斯模型，求解载荷和精度参数。
[0098]
在一种示例性实例中，采用迭代方式执行以下步骤，如图3所示，直至获得的相对误差小于预设公差值。
[0099]
步骤310，用最大似然估计计算载荷的后验分布，得到载荷的最大后验概率分布。
[0100]
利用最大似然估计处理公式(4)，得到载荷f的最大后验概率分布，如公式(11)所示：
[0101][0102]
其中，f
map
是载荷f的最大后验概率分布。
[0103]
步骤320，用最大化超参数边际概率函数计算所述过程参数与所述精度参数的联合后验分布，得到所述精度参数的众数值。
[0104]
在一种示例性实例中，根据贝叶斯模型，过程参数τn和精度参数αi的联合后验分布如公式(12)所示：
[0105]
p(f,τn,α|x)＝p(f|x,α,τn)p(α,τn|x)
ꢀꢀ
(7)
[0106]
过程参数τn、精度参数αi的众数值，即α
mp
、τ
nmp
(α
mp
和τ
nmp
表示α和τn概率最大的点)，可通过最大化超参数边际概率函数的方法获得，如公式(13)、(14)所示：
[0107][0108][0109]
公式(8)、(9)和公式(5)、(6)共同构成闭环迭代过程，详细过程如下：
[0110][0111]
[0112]
在一种示例性实例中，将符合预设公差值的载荷的最大后验概率分布作为载荷识别结果。
[0113]
如上述组相关向量机(group relevance vector machine，grvm)算法所示，输入系统矩阵h和观测加速度向量x，设定初始向量α
(0)
，预设公差值tol(本发明取相对误差小于预设公差值tol＝1e-3
)。当载荷f收敛时，f、σ、αi、τn所对应的值即为其估计值，将载荷f的最大后验概率分布作为载荷识别结果。如果精度参数αi→
∞(本发明认为大于10
10
)，根据公式(11，则f
→
0，认为相对应的载荷可能作用位置上无外部激励。若精度参数αi为一有限值，则认为相对应的位置上真实作用了外部激励。因此，精度参数αi的值体现了对载荷的定位。
[0114]
在一种示例性实例中，上述结构动载荷识别方法，还包括：
[0115]
预设载荷识别精度指标，用于判断载荷识别的精度；
[0116]
所述载荷识别精度指标包括：重构误差，用于表示重构精度；载荷作用位置指标，用于表示定位精度。
[0117]
通过两个指标来判断所述载荷识别结果，所述两个指标分别是：载荷识别结果与真实载荷之间的重构误差(reconstruction error,re)、载荷作用位置指标β、如公式(15)、(16)所示：
[0118]
re＝||f
true-f
reconstructed
||2ꢀꢀ
(15)
[0119][0120]
其中，re表示重构误差，反映了组相关向量机(grvm)算法的重构精度，f
true
表示真实载荷向量，f
reconstructed
表示载荷识别结果。βi表示位置i处载荷的集中程度，反映了算法的定位精度，下标i表示所有载荷可能作用位置中的第i个位置。当i处没有载荷时，βi理论值为0，若结构在同一时刻只受到了一个真实载荷，则在真实载荷作用处βi理论值为1；当键盘受到了两个真实载荷时，如组合按键功能，β需指示出两个位置，二者根据载荷识别结果范数的平方占有相应的比例。
[0121]
当重构误差re＜10且真实载荷作用位置处的β＞90％时，则满足载荷识别要求，认为载荷得到了较好的识别。
[0122]
在一种示例性实例中，上述结构动载荷识别方法，还包括：
[0123]
预设载荷作用时间长度指标，用于表示载荷作用时间的长短。
[0124]
载荷作用时间长度指标λ，如公式(17)所示：
[0125][0126]
λ为载荷识别结果范数的平方，反映了载荷作用时间的长短。为λ设置阈值，在组合按键情况中，若大于阈值，则认为是组合按键中的长按键，反之则认为是短按键。
[0127]
上述基于组相关向量机(grvm)算法的结构动载荷识别方法，可以同时识别多个位置上的载荷，能应用于不同的场景，适用范围广。此外，无需人工选取参数，计算速度快，可实现实时载荷识别。而且在低信噪比下体现出较好的鲁棒性，识别精度高。
[0128]
另一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存
储有计算机程序，所述计算机程序被处理器执行时实现上述结构动载荷识别方法。
[0129]
另一方面，本发明实施例还提供一种虚拟键盘，包括：
[0130]
传感器，设置于弹性体表面，用于获取载荷作用下的结构动态响应；
[0131]
所述传感器数量，设置为多于载荷实际作用位置数量但少于载荷可能作用位置数量；
[0132]
处理模块，设置为采用上述结构动载荷识别方法识别作用在弹性体上的载荷。
[0133]
根据不同应用场景，弹性体表面可以是需要实现键盘功能的钢板表面、桌面、设备表面、墙面等弹性体表面。
[0134]
传感器可以是加速度传感器、位移传感器、速度传感器。加速度传感器应用最为广泛，位移传感器应用于有固定支撑结构的弹性体。速度传感器体积质量比加速度传感器和位移传感器大，应用于大型弹性体表面，如大型设备表面。
[0135]
由于虚拟键盘与传统键盘相比具有按键布局可编程、可切换多种按键模式的优点，因此可以为虚拟键盘设计多种按键模式，对应不同的按键布局和按键数量，按键数量即为载荷可能作用位置数量。假设真实载荷只同时存在一至两个，即用户只可能同时按下一至两个按键，对应单按键和组合键(例如ctrl c)的情况。为虚拟键盘配置多于载荷实际作用位置数量但少于载荷可能作用位置数量的传感器。
[0136]
在一种示例性实例中，如图4所示，虚拟键盘包括一定尺寸的钢板1，设置于刚板上的传感器3，支撑弹性体的固定支撑结构4。分隔的若干方框为虚拟按键区2。
[0137]
在一种示例性实例中，虚拟键盘设置为游戏模式，游戏模式的按键分布与定义如图5所示。
[0138]
该模式可实现如下功能，如表1所示：
[0139][0140]
表1游戏模式按键说明按键入方式进行分类，如表2所示：
[0141][0142]
表2按键入方式进行分类
[0143]
虚拟键盘设置为游戏模式时的工作方法，如图6所示。
[0144]
添加两个泳道：用户和后台。用户开机选择游戏模式，按下按键，后台调用grvm算法，计算re，若re》10，则意味着用户按下的是非按键区，程序不响应，用户可再次按键；若re《10，则继续。后续步骤默认用户按下了符合功能设定的按键，即re《10。
[0145]
判断β》0.1的按键位置有几个。若只有一个，则认为是单按键，由于在游戏模式中只设定了单次响应，因此无需判断外载荷作用时间长短。例，用户单独按下key1，则角色向前移动一格，短按向前移动1格，长按也向前移动1格。
[0146]
若β》0.1的按键位置有2个，则再次判断β》0.4的按键位置有几个，若有两个，则认为用户同时长按主副功能键，进行模式转换。若β》0.4的位置只有1个，则认为按下组合按键(如key9 key5-key8或key10 key1-key4)，β值大的认为是长按键，输出在前，β值小的认为是短按键输出在后。例如，用户先按下key9不松开，再按下key7(按法和ctrl c，ctrl v等一致)，则β》0.1的按键位置有两个，且β》0.4的位置只有1个，且key9处大，key7处小，触发相应组合技能。
[0147]
在一种示例性实例中，虚拟键盘设置为数字模式，数字模式的按键分布与定义如图7所示。
[0148]
该模式可实现如下功能，如表3所示：
[0149]
[0150]
表3数字模式按键说明
[0151]
根据功能设定，key1-key10为数字键，可短按、长按、组合按(按下第一个键不释放，同时按下第二个键)；key11为删除键，短按可删除前一次键入的内容(组合键认为是一次键入的内容)；key12为确认键，短按确认，长按模式转换。
[0152]
与传统键盘相比，基于载荷识别方法的密码键盘显著优势在于，不仅可以识别数字(即真实载荷作用位置)，还可以识别用户按键习惯(短按、长按、组合按)，增加区分度，提高安全性能。以四位密码为例，传统键盘只有104种组合方式，而基于载荷识别方法的密码键盘有种组合(10种短按、10种长按、90种组合键)，安全性能提高了14641倍，当密码序列位数增加时，这种优势更为明显。
[0153]
在一种示例性实例中，虚拟键盘设置为字母模式，字母模式的按键分布与定义如图8所示。
[0154]
该模式可实现如下功能，如表4所示：
[0155][0156]
表4字母模式按键说明
[0157]
虚拟键盘设置为数字和字母模式时的工作方法，如图9所示。
[0158]
添加两个泳道：用户和后台。用户开机选择模式，按下按键，后台调用grvm算法，计算re，若re》10，则意味着用户按下的是非按键区，程序不响应，用户可再次按键；若re《10，则继续。后续步骤默认用户按下了符合功能设定的按键，即re《10。
[0159]
用户在开机时已经选择了模式，若为字母模式，则直接根据参数判断其长短。例如，用户若短按key1，则λ《300，输出“a”，若长按key1，则λ》300，输出“b”.单次程序运行结束，用户可再次按键。若欲切换模式，则长按key18，即可转换至数字模式。
[0160]
若用户在开机时选择了数字模式，则需要计算β，判断β》0.1的按键位置有几个。若
只有一个，则认为是单按键，根据判断是长按键或短按键。例如，若用户短按key7，则β》0.1的按键位置只有一个，且《300，输出“7”；若长按key7，则β》0.1的按键位置只有一个，且》300，输出“7*”。
[0161]
若有两处β》0.1，则认为是组合按键，β值大的认为是长按键，输出在前，β值小的认为是短按键输出在后。例如，用户先按下key1不松开，再按下key3(按法和ctrl c，ctrl v等一致)，则β》0.1的按键位置有两个，且key1处大，key3处小，输出“1 3”。
[0162]
在数字模式下若欲切换模式，则长按key12，即可切换至字母模式。
[0163]
上述虚拟键盘结构形式简单，只需安装传感器即可实现键盘功能，而且所需传感器数量小于虚拟键盘按键的数量，节省了经济成本。此外，上述虚拟键盘能应用于不同的弹性体表面，适用范围广，可以满足多种用户的按键习惯。
[0164]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。