据进行滤波处理所用公式为：
[0047]
[0048] 式中，是在实际环境中测量的待滤波电压序列，X' i为滤波后的实测电压序列， k'为实测的滤波滑动宽度。
[0049] 步骤5、根据步骤4滤波后的应变传感器电压数据建立大变形柔性体动态测量数 据转换神经网络，该神经网络的输入为传感器的输出电压，期望输出为柔性体的受力信息； 所述大变形柔性体动态测量数据转换神经网络为三层神经网络，包含一个输入层、一个输 出层和一个隐层；神经网络的输入为经过滤波处理后的真实场景下传感器采集的电压数 据，输出为柔性体的真实受力信息；
[0050] 所述输入层包括一个输入量，多个输出量，输入量为经过滤波处理后的传感器采 集的电压数据，输出量为输入量的恒等映射，输出量的数量与隐层神经元的个数相同；
[0051] 隐层神经元的个数nh由自适应控制确定，规律描述公式如下：
[0052]
[0053] 其中，np为样本数量，隐层包括n h个输入量，n h个输出量，输入量为输入层的输出， 其激励函数为Chebyshev正交基函数：
[0054]
[0055] 式中，gi (X)为第i个神经元的激励函数，隐层的输出量为：
[0056] hi= w (xt), i = I, 2, . . . , nh, t = I, 2, . . . , np
[0057] 输出层包括nh个输入量，一个输出量，输入量为隐层的输出，其激励函数为线性函 数，输出层的期望输出为求得的电压-受力函数对应的函数输出，输出量为：
[0058]
[0059] 其中，^为隐层第i个神经元的权重，X t为经过滤波处理后的电压，np为训练样本 数量，nh为隐层神经元个数，O t为输出层的输出。
[0060] 步骤6、采用被测对象在实际环境下工作过程中的受力信息，对大变形柔性体动态 测量数据转换神经网络进行训练；
[0061] 步骤7、使用训练好的大变形柔性体动态测量数据转换神经网络进行电学-力学 空间信息转换，得到转换后的大变形柔性体动态测量数据的受力信息输出。
[0062] 下面进行更详细的描述：
[0063] 结合图1，本发明是一种基于神经网络的大变形柔性体动态受力测量信息转换方 法。首先，利用神经网络模型建立针对大变形柔性体的动态测量信息转换非线性模型；然后 采用该模型对真实应用场景中的大变形柔性体工作时的动态测量信息进行转换。包括如下 步骤：
[0064] 步骤1、使用测量柔性体受力作用的应变传感器对被测柔性体进行电压-受力的 标定，所述测量柔性体受力作用的应变传感器的测量拉力范围为〇~1500N，传感器的输出 电压范围为0~3. 3v。所述标定是指在织物上安装传感器后，在高精度万能材料试验机上 进行从0到满负载拉力实验，得到系列传感器/织物对应的电压-受力测量数据。
[0065] 步骤2、对测量柔性体受力作用的应变传感器获取的测量数据进行滤波处理。具 体为：由于采样的噪声为周期性噪声，采用递推平均滤波，对于传感器电压采样序列Ixji = ..3中的连续k个数据求和后，再取平均值作为滤波后的结果。Ix JiH..，n为递推滤波 后的电压序列，具体公式如下：
C6)
[0066]
[0067] 步骤3、根据步骤2得到的滤波后应变传感器测量数据构建电压-受力函数。具体 为根据电压-受力测量数据进行多项式拟合，得到形如下式（7)的电压-受力函数，作为神 经网络的期望输出：
[0068]
(7)
[0069] 其中X为电压自变量，d为最高项次数，ai为第i项的系数。
[0070] 步骤4、获取被测对象柔性体在实际环境下工作过程中的受力信息，即应变传感器 的电压数据，并对该数据进行滤波处理。对于传感器电压采样序列lx'的连续 k个数据求和后，再取平均值作为滤波后的结果。Ix' = 递推滤波后的电压序 列，具体公式如下：
[0071]
(8)
[0072] 步骤5、根据步骤4滤波后的应变传感器电压数据建立大变形柔性体动态测量数 据转换神经网络，大变形柔性体动态测量数据转换神经网络为三层神经网络，包含一个输 入层、一个输出层和一个隐层。神经网络的输入为经过滤波处理后的真实场景下传感器采 集的电压数据，输出为柔性体的真实受力信息。所述输入层包括一个输入量，多个输出量， 输入量为经过滤波处理后的传感器采集的电压数据，输出量为输入量的恒等映射。隐层神 经元的个数为自适应控制确定，规律描述公式如下：
[0073]
(9)
[0074] 隐层包括1个输入量，nh个输出量，输入量为输入层的输出，其激励函数为 Chebyshev正交基函数：
[0075]
[0076] 式中，gi(x)为第i个神经元的激励函数。隐层的输出量为：Iii= w Ai(Xt), i = 1,2,..., Iij1, t - 1, 2,. . . , Πρ
[0077] 输出层包括nh个输入量，一个输出量，输入量为隐层的输出，其激励函数为线性函 数，输出层的期望输出为补偿后电压信息在步骤3中式（7)所示的电压-受力函数对应的 函数输出。输出量为：
[0078]
(11)
[0079] 上述表达式中，&为隐层第i个神经元的权重，X t为经过滤波处理后的电压，η 5为 训练样本数量，％为隐层神经元个数，〇 t为输出层的输出。
[0080] 其中隐层神经元数量的自适应推导过程如下：
[0081] 步骤5. 1在大变形柔性体动态测量数据转换神经网络中，隐层层数为1层，假设 训练样本数为np，输入层神经元个数为Iii,每个隐层神经元个数为nh，输出层神经元个数为 η。。每个样本的输入电学空间序列为{xp} (p = 1，2, · · ·，np)，期望输出力学空间序列为{yp} (p = 1，2, ...，np)。在大变形柔性体动态测量数据转换神经网络学习过程中，要确定未知 的权值和阈值，使得每个样本输入电压\可通过连接权值、阈值和激活函数的非线性运算， 获得一个力学的输出Op，使总体平均误差函数最小。建立关于给定标准样本的神经网络权 值和阈值分析计算的无约束非线性最优化问题模型：min{f(z)}，z e Rn，其中目标函数为网 络的均方误差，见式（12)。
[0082]
(12)
[0083] 步骤5. 2为了求得神经网络的结构，设计变量z = [Zl，z2, . . .，ζη]τ为待求的大变 形柔性体动态测量数据转换神经网络的权值和阈值，其中Zi= [a pbj，％是神经网络的权 值，h是神经网络的阈值。设变量总维数，即神经元总数量可以表示为式（13)，其中n i、nh和η。分别为该数据转换神经网络的输入层、隐层和输出层神经元数目。
[0084] n = (ni+n0)*(nh+l) (13)
[0085] 步骤5. 3理想的大变形柔性体动态测量数据转换神经网络的结构应该能自动找 到表示权值和阈值的变量z%使f (Z) = 0。其中，Z为理想情况下的神经网络权值和阈值。 实际情况下神经网络优化方法的计算应使得目标函数f (z)获得极小值，满足f (ζ#) < ε， 网络结构是合理的。因此式（12)在理想情况下应满足方程组（14)。
[0086]
(14)
[0087] 式（14)方程是复杂的非线性超越代数方程组，如果在理论上实现神经网络的目 标函数收敛到〇,则np个样本需要满足超越代数方程的总数为n a= η p*n。，即神经网络变量 的总维度大于等于超越方程的总数。因此根据代数理论，建立关于大变形柔性体动态测量 数据转换神经网络隐层单元数量是设计变量的优化问题由式（13)可得如下（15)的约束优 化问题：
[0088]
[0089] 求解上述约束方程可得到式（16)
[0090]
(16)
[0091] 进一步，在式（16)中，在图2所示的神经网络结构中，niPn。均为已知，计算可得 到大变形柔性体动态测量数据转换神经网络隐层神经元的合理个数见式（17)，因此隐层神 经元的合理个数随着训练样本的不同，在该神经网络中可通过式（17)自动计算得到：
[0092] (17)
[0093] 步骤6、采用被测对象在实际环境下工作过程中的受力信息，对大变形柔性体动态 测量数据转换神经网络进行训练。在本方法中，通过选取部分滤波后的实际测量数据X' i， 对其进行补偿后得补偿后电压数据X" i，x" 1可根据式（7