此外，在分类前采用主成分分析（PCA）来选择准确度最高的维度。除了精度外，计算效率也是影响该方法应用的另一个重要因素。为了测试该方法的有效性，本文还测量了从数据采集到分类器训练的运行时间（如图1所示）。所有的计算都是在Python3.5环境下，在一台装有英特尔酷睿i3@3.30GHz处理器、4GB内存和7200RMP机械硬盘的计算机上进行的。

4.1条。财产确认

采用线性支持向量机对主成分个数从1到11进行遍历，得到最佳维数。图4所示的结果表明，这些特征对于属性识别来说是多余的，因为当数量达到8时，准确度保持不变。因此，采用8个主成分进行属性识别。分类器的时间开销、准确度和其他指标如表4所示。

Applsci 09 02537 g004 550图4。随着主成分数量的增加，精度也随之变化。

表4。七个分类器的准确性、精确性、召回率、F1分数和时间开销。

表

从表4可以看出，对于大多数分类器来说，正确率不低于90%，而kNN的准确率最高（95.83%）。图5是从kNN属性识别中获得的混淆矩阵，混淆矩阵的列表示预测，而行表示真正的分类。混淆矩阵表明，在刚性粗材料的识别中，大多数错误都会发生。在我们的实验中，刚性粗糙材料很容易被识别为柔软光滑的材料。这是因为在柔软光滑的材料和触觉传感器之间的接触中有很大的附着力，并且这种附着力会像刚性粗糙材料那样在滑动过程中产生低频大振幅的振动[40]。此外，表4显示了我们的方法是一种节省时间的方法。对每个进程的运行时间进行了测量，结果见表5。通过分析表5，可以发现从硬盘读取触觉数据（数据读取）占用了大部分运行时间，而将数据转换为时间序列是第二耗时的过程（降维）。此外，触觉数据的预处理占总时间的99%以上。这是因为我们的方法需要处理触觉传感器产生的大量数据：对于每个样本，有100个触觉图像，其大小为44×44。然而，与滑动操作的开销相比，该方法的开销仍然较低，这意味着我们的方法可以在下一个滑动操作中完成分类。

Applsci 09 02537 g005 550图5。基于kNN分类器的属性识别混淆矩阵。列表示预测，行表示实际分类。

表5。物料识别过程的运行时间。

表

4.2条。材料识别

与属性识别相一致，采用线性支持向量机确定主成分。如图4所示，精度随着数量的增加而增加，并选择了11个主成分组成特征向量。表4提供了分类器的精度和时间开销。

从表4可以看出，六种分类器的分类准确率均不低于80%，其中MLP的准确率最高（90.28%）。这些分类器的性能证明了触觉数据和特征提取的有效性和鲁棒性。图6中的混淆矩阵是基于MLP分类器绘制的，该矩阵表明，大多数错误分类错误发生在具有相同或相似特性的材料中。例如，聚氯乙烯与橡胶混淆，因为它们柔软光滑。此外，亚克力被错误地归类为木材，因为它们都是硬的。除分类外，每个过程中材料和属性识别的时间开销基本相同。尽管与数据处理相关的开销仍然很小，但在分类过程中，材料识别花费了更多的时间。

Applsci 09 02537 g006 550图6。基于MLP分类器的材料识别混淆矩阵。列表示预测，行表示实际分类。

本文采用滑动动作对材料进行了探索。然而，在滑动过程中很难保持相互作用力的恒定。虽然从原始触觉数据中提取的序列是标准化的，使其独立于交互力，但我们的方法的鲁棒性需要验证。在这里，以100g、150g、250g和300g重量作为负载，然后为每种材料收集30组样本数据，以测试其稳健性。新数据被分配到4个数据库中：D100、D150、D250和D300，