1.基于堆栈稀疏自编码的多维力传感器的解耦方法，具体步骤如下，其特征在于：步骤1，获取实验标定数据：利用不同质量的砝码(力F)作用于多维力传感器(6维)，通过采集系统获取相应的输出电压U；

步骤2，获取模拟噪声环境数据：向步骤1中获取的输出电压U中添加高斯白噪声以模拟噪声环境下所采集信号受到的干扰，此处的信噪比范围控制为20～30dB；

步骤3，增加标定数据的维度：将步骤2中得到的每4组的电压数据首尾拼接以得到Usplice，而后对Usplice归一化至[0,1]以生成训练数据Utrain；

步骤4，堆栈稀疏自编码器预训练：利用步骤3获得的数据，通过逐层贪婪训练出一个含有三个隐藏层的堆栈稀疏自编码器，其具体结构为“输入层-隐藏层1-隐藏层2-隐藏层3-输出层”，其中每层的神经元个数为24-20-16-12-6；

步骤5，对预训练的堆栈稀疏自编码器进行微调，以提高模型的精确性；

步骤6，将训练获得的堆栈稀疏自编码模型嵌入传感器及其采集系统中，并实际应用。

2.根据权利要求1所述的基于堆栈稀疏自编码的多维力传感器的解耦方法，其特征在于：步骤2中模拟噪声环境下所采集的数据的过程可以表示为：Us＝Un+U

式中，U为原始电压数据，Un为高斯白噪声数据，Us表示得到的模拟噪声环境下采集的数据，信噪比的定义如下：

式中，Ps表示信号的功率，Pn表示噪声的功率。

3.根据权利要求1所述的基于堆栈稀疏自编码的多维力传感器的解耦方法，其特征在于：步骤3中对拼接后的样本Usplice归一化处理至[0,1]的过程可以表示为：式中，Utrain为归一化后的训练数据，min()和max()分别表示最小值和最大值。

4.根据权利要求1所述的基于堆栈稀疏自编码的多维力传感器的解耦方法，其特征在于：步骤4中堆栈稀疏自编码器预训练的具体步骤为：步骤4.1，预先训练第一个稀疏自编码器；

步骤4.1的具体步骤为：

步骤4.1.1，第一个稀疏自编码的输入为Utrain，输出记为Uoutput，为了尽可能的减小输出与输入间的差异，传统的自编码器的损失函数可表示为：第一项为网络模型输入与输出之间的误差部分，第二项是权重衰减项，目的是减小权重幅度，其中，N为训练样本的个数，λ为权重衰减系数，nl为网络模型的层数，sl、sl+1分别代表第l层和第l+1层网络神经元节点个数， 代表第l层的第j个神经元与l+1层的第i个神经元之间的权重；

为了避免网络过拟合、充分挖掘数据特征信息和增强特征数据的可分性，稀疏自编码器在自动编码器的基础上对网络隐藏层神经元添加稀疏惩罚因子以实现强制性稀疏限制，即：式中，s2表示隐藏层神经元个数，ρ为稀疏性参数， 为在N个样本的输入下，第j个隐藏层神经元的平均活跃度；

综上所述，稀疏自编码的损失函数具体定义为：

式中，β为稀疏惩罚因子的权重系数；

步骤4.1.2，利用梯度下降法反向修正稀疏自编码的各连接层之间的权重系数W和偏置系数b：步骤4.1.3，在迭代过程中，当损失函数E小于e-4或达到初始设定的迭代终止次数，则模型训练结束，否则返回步骤4.1.1；

步骤4.2，预先训练第二个稀疏自编码器，即以第一个训练完成的编码器的隐含层作为第二个编码器的输入，训练的策略及参数更新准则与步骤4.1保持一致；

步骤4.3，预先训练第三个稀疏自编码器，即以第二个训练完成的编码器的隐含层作为第三个编码器的输入，此处的损失函数的有别于步骤4.1.1中的损失函数，即将Jsparse(W,b)中的Uoutput改为：第一个稀疏编码器输入数据Utrain相应的标定力F，模型的参数更新准则与步骤4.1保持一致；

步骤4.4，将步骤4.1-4.3得到的三个编码器的隐藏层连接在一起，形成“输入层-隐藏层1-隐藏层2-隐藏层3-输出层”所示结构的堆栈稀疏自编码器。

5.根据权利要求1所述的基于堆栈稀疏自编码的多维力传感器的解耦方法，其特征在于：步骤5中对预训练的堆栈稀疏自编码器进行微调的具体描述为：重新构建整体模型的损失函数，其中模型的输入为步骤3中获取的训练数据Utrain，训练的理论输出为Utrain相对应的标定力F，而后继续使用梯度下降法对网络参数进行更新，最后完成模型的微调，提高模型的精确性。