1.一种噪声环境下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，通过信号调理电路和采集系统获取传感器输出电压U与标准砝码重量(力)F相对应的标定数据；

步骤2，将步骤1中获得的标定数据添加噪声，其中信噪比控制在20～30dB之间；

步骤3，将步骤2中生成的多组噪声样本顺序依次拼接，同时进行归一化处理，形成新的数据样本；

步骤4，将步骤3中获取的样本输入到深度神经网络(DNN)中进行训练，并判断是否达到模型收敛的条件，若达到条件，跳转至步骤4，否则继续执行步骤2；

步骤5，模型训练结束，并将训练得到的模型嵌入传感器采集系统，最终应用于实际工业现场。

2.根据权利要求1所述的一种噪声环境下多维力传感器的解耦方法，其特征在于：步骤

1中传感器输出电压U与力F在简化模型中满足：式中，C为权重系数矩阵，b为偏重系数矩阵。上式可简化为UC+b＝F,对实际应用来说，U与F之间的映射模型更加复杂。

3.根据权利要求1所述的一种噪声环境下多维力传感器的解耦方法，其特征在于：步骤

2中获得加噪数据的过程可以表示为：

Uprocess＝Unoise+U

式中，U为原始电压数据，Unoise为高斯白噪声数据，Uprocess表示加噪后得到的数据。

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。

4.根据权利要求1所述的一种噪声环境下多维力传感器的解耦方法，其特征在于：步骤

3中样本数据的归一化处理至[0,1]可以表示为：式中，Unor为归一化后的数据，min和max分别表示最小值和最大值。

5.根据权利要求1所述的一种噪声环境下多维力传感器的解耦方法，其特征在于：步骤

4中DNN训练过程的具体步骤为：

步骤4.1，根据DNN的输出Fo和输入U对应的实际值F，求得DNN的损失函数，本发明采用均方根误差损失函数，其表达式如下：式中，N表示训练样本总数，k表示力传感器的采集维数。

步骤4.2，利用梯度下降法反向修正DNN的各连接层之间的权重系数W：式中，α为模型的学习率。

步骤4.3，利用梯度下降法反向修正DNN的各连接层之间的偏置系数b：步骤4.4，如果损失函数E小于e-4或得到迭代终止次数，则认为模型训练完成，否则继续执行步骤4。