4月29、4月30工作总结：纹理触觉信号分类、loss下降缓慢

工作量较少

工作内容

一、查找loss下降缓慢的原因：更换模型，调整学习率，调大batchsize均未有较大改进，数据集也打乱防止过拟合，仍未见有明显改善。epoch训练到100时loss才下降到1.6。还需系统的进行排查。初步怀疑是数据集存在问题或者数据集处理不当，未进行加载前的预处理工作，还需仔细观察LMT数据集是否合理
二、精度了两篇论文并详细做了批注：
1、2014-A Haptic Texture Database for Tool-mediated Texture Recognition and Classification
论文工作：
1）做了一个纹理采集装置，并且提供了两种触觉数据库：受控条件（使用机器固定扫描时的速度和压力）下的触觉信号数据库和非受控条件（徒手采集触觉信号，扫描速度以及压力不断变化）的触觉信号数据库。
2）借用音频识别的分类器模型，对纹理的触觉信号进行处理。得出了MFCCs分类器可以获得最好的分类结果，为80.2%。
3）对两种条件下的纹理触觉信号分类进行了优缺点分析。
论文创新：
仔细分析了受控条件下与非受控条件下纹理触觉信号分类的差异性。
2、2010-Material Classification by Tactile Sensing using Surface Textures
论文工作：
1）为人工手指设计了一个机器学习算法，该算法可以对纹理触觉信号的频域进行特征提取，然后基于提取的特征用机器学习的方法进行分类。
2）该算法对信号频域进行特征提取然后选择分类器进行分类，并且说明了选择频域的原因，即与具有粗糙纹理的表面相比，具有精细纹理的表面会以更高的频率刺激传感器。在人类中，被认为负责纹理分类的机械感受器是迈斯纳小体[17]。这些受体对刺激的变化率作出反应。这使得频域分析成为自然的选择。

论文可借鉴点

对触觉信号的频域信息进行分析，提取频域特征-傅里叶系数，分类算法分析傅里叶系数的主要成分来工作。