偏瘫患者辅助下肢外骨骼设计与仿真分析

针对偏瘫患者外骨骼康复机器人降低外骨骼质量的要求,设计了一种辅助下肢外骨骼机器人,采用柔索驱动的膝关节,具有结构简单,质量轻的特点。同时利用ADAMS建立了外骨骼关节柔索驱动的动力学模型,绳索模块建立了柔索驱动模型,通过Ariel生物运动分析软件,采集髋、膝、踝关节运动数据,运用Spline函数进行了仿真分析。经过仿真分析柔索驱动在上台阶运动过程中的不同拉簧预紧力和拉簧刚度下传动特性和驱动力矩,为进一步研究设计下肢外骨骼提供依据。     

基于守恒高阶模型和支持向量机的多车道车辆换道模型

针对高速公路车辆换道问题, 提出一个多车道车辆换道模型。利用支持向量机(SVM)在多维特征下二分类问题的优势, 将SVM和Lagrange坐标下的高阶守恒模型(CHO)结合, 通过全离散跟车模型生成原始数据, 采用SMOTE(Synthetic Minority Oversampling Technique)算法对数据进行预处理, 采用双指标评估度SVM进行训练, 建立多车道车辆换道仿真模型。仿真结果表明: 基于支持向量机和CHO模型的换道模型, 驾驶车能够就当前的驾驶环境, 准确地作出决策, 有效地模拟高速公路上真实的多车道驾驶情况。     

下肢外骨骼机器人控制的脑电感知方法研究

将外骨骼机器人技术与BCI系统结合起来,使人体具有了外骨骼机器人的一系列优良特性,同时使外骨骼机器人具备了人体的智能。首先,对外骨骼机器人技术与BCI技术的融合进行了可行性分析,说明了该方法的可行性。其次,通过实验采集了六种想象运动的脑电信号,选取了C3、C4通道的脑电信号,并对其进行了去噪处理。然后,对经过预处理的六种想象运动的脑电信号通过小波变换进行了分解,提取了包括小波分解系数和能量系数的脑电信号小波特征。最后,针对所提取的小波特征,采用了最小二乘支持向量机对这六种想象运动模式进行分类处理。     

下肢负重外骨骼机器人的初步设计

研究设计了一种能够增强人体负重的下肢外骨骼机器人,该负重外骨骼机器人具有8个自由度,可实现髋关节的外展与内收、屈/伸运动;膝关节的屈/伸运动以及踝关节的弯曲运动。根据人体步态分析研究出各个关节的运动角度范围,结合目标负重进行结构优化设计。对机器人的结构进行简化,建立了外骨骼机器人的连杆模型,根据其几何关系,采用D-H准则对外骨骼机器人进行了数学建模。以计算机、六轴运动控制卡和STM32为核心构建了控制系统,结合ZMP(Zero Moment Point)零力矩点稳定性判据及三次样条插值进行了步态规划,并将此步态规划应用于样机上。样机实验结果表明,此结构能够满足不同体型的人进行穿戴,并能够根据规划的步态轻松行走,验证了其结构和控制系统的合理性。     

士兵可穿戴下肢外骨骼机器人多元感知方法研究

下肢外骨骼机器人是一种可穿戴且融合了多种机器人技术的复杂人-机系统。它将人类的智慧与机器人强壮的能力有效地结合起来,最大限度地提高人体的机动力和耐力,这为提升单兵作战系统的能力创造了条件。鉴于下肢外骨骼机器人在作战、后勤保障时可能遇到的复杂地形、多变随机的任务等,仅通过基于既定的典型步态规划程序驱动执行已知的特定动作,难以保证人机间的耦合性和动作的高随意性切换。为此,模拟并提炼出士兵常见的六种下肢动作作为后续研究,然后分析了下肢外骨骼机器人的感知控制原理,并提出了基于脑电预判感知、肌电精确感知和光纤实时校正的多信息融合的感知方法,强调将人的智能参与到机器人控制中,以期推进士兵可穿戴下肢外骨骼机器人的实用化。     

基于粒子群算法改进SVM的滑模控制研究

为了提高离散时间系统的控制品质以及削弱系统抖振,提出了基于粒子群算法(particle swarm optimization,PSO)改进支持向量机(support vector machine,SVM)的滑模控制方法并进行了仿真研究;通过SVM识辨参量模型与PSO寻优处理,获得趋于理想滑模运动的趋近律参数,确保寻优处理时间短、精度高;利用PSO和SVM在线调整滑模趋近律参数,可以克服常规滑模控制中需要事先设定趋近律参数限制的弊端,加快跟踪速度,削弱系统抖振,完善控制质量;仿真实验表明,该方法可以克服因 PSO寻优过程中的寻优时间过长等不足,又可解决SVM精度不高或计算量大的缺点;该方法用于离散时间系统是可行、有效的,工程实用性强。      

可穿戴下肢外骨骼足底压力检测系统设计与研究

可穿戴下肢外骨骼能够柔性跟随人体运动的前提是足底压力检测数据符合人体步态特征,因此研究外骨骼足底压力检测系统具有重要意义。针对现有穿戴式下肢外骨骼系统压力传感器输入输出存在非线性误差,不能准确检测足底压力变化的缺点,选择电阻式压力传感器,通过理论计算确定曲线拟合方法可行性,并将曲线拟合方法引入足底压力检测系统设计中。研究结果表明,该方式采集数据特征明显,曲线拟合的系统线性度较小,可靠性高,适用足底压力检测系统。     

一种独轮车机器人俯仰平衡运动的控制与实现

针对一台3驱动独轮车机器人系统,对其运动学和动力学特性进行了分析,给出了一种可实现其前后俯仰平衡运动的控制策略。通过对独轮车俯仰运动分析,建立了独轮车俯仰平衡运动的简化力学模型;采用部分反馈线性化的控制方法对车体俯仰角进行了线性化处理,以车体俯仰角和行走轮转角为输出设计了控制器;最后,通过数值仿真实验和物理样机实验验证了力学模型的可靠性和所设计的控制器的有效性。     

基于萤火虫群优化支持向量机的网络入侵检测方法

为了解决支持向量机(SVM)方法应用于网络入侵检测中存在的参数设置和由样本不均带来的分类面偏斜问题,文章提出了一种基于萤火虫群优化支持向量机(GSO-SVM)的解决方案;算法在进行参数寻优的同时增加了修正因子,实现对分类面的修正,并采用萤火虫群算法进行求解,提高算法跳出局部最优的能力;在DARPA数据集上的检测精度达到97.33%,优于SVM和SVDD方法;实验结果表明文章提出的方法能够有效提高入侵检测模型的泛化性,降低误报率和漏报率。     

相关向量机在污水硝氮检测中的应用

针对地表水质的复杂性以及紫外光谱数据维数高、谱带重叠严重的特点,提出将相关向量机算法应用于硝氮的连续紫外光谱分析,实现了对实际污水硝氮的快速准确无污染检测。首先介绍了相关向量机算法原理,然后在分析制药污水紫外吸收光谱的基础上选取230～245 nm紫外吸光度数据用于建模,应用多元线性回归、偏最小二乘方法、经典支持向量机方法(SVM)和相关向量机方法分别建立硝氮回归模型并比较分析模型性能。实验结果表明：相关向量机模型预测更准确,模型更稀疏,预测速度快,检测结果的相对满量程误差控制在4.5%以内,适用于对复杂组成成分的实际污水硝氮的有效快速检测。     

基于多类支持向量机的恒星光谱分类方法

支持向量机作为一种经典的分类方法被广泛应用于恒星光谱分类领域。该方法在实际应用中取得了较为理想的分类效果,但其面临无法解决多分类问题的挑战。在支持向量机的基础上,提出多类支持向量机,建立基于多类支持向量机的恒星光谱分类模型。该方法的最大优势是经过一次分类过程,可以确定多类样本的类属。SDSS DR8恒星光谱数据上的比较实验表明,本研究所提的方法较之已有多分类方法在分类性能上有一定的提升。     

ISG-FHEV等效燃油消耗最小控制策略

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法。首先在 颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别。算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法。仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

单轴旋转惯导系统轴向陀螺漂移预测方法

轴向陀螺漂移是影响单轴旋转惯导系统导航精度的主要因素。对于轴向陀螺漂移的预测,提出了一种基于支持向量机的算法。利用初始对准12 h内系统纬度误差和温度变化量作为训练数据,构造了以多项式、径向基、小波函数为核函数的支持向量机、最小二乘支持向量机、遗忘因子最小二乘支持向量机,对比了它们用于轴向陀螺漂移预测的泛化性能。试验结果表明:遗忘因子最小二乘支持向量机可有效地用于轴向陀螺漂移预测,具有很高的预测精度,极大地提高了单轴旋转激光陀螺惯导系统的导航精度。     

基于特征选择的网络入侵检测模型研究

为了有效从收集的恶意数据中选择特征去分析,保障网络系统的安全与稳定,需要进行网络入侵检测模型研究。但目前方法是采用遗传算法找出网络入侵的特征子集,再利用粒子群算法进行进一步选择,找出最优的特征子集,最后利用极限学习机对网络入侵进行分类,但该方法准确性较低。为此,提出一种基于特征选择的网络入侵检测模型研究方法。该方法首先以增强寻优性能为目标对网络入侵检测进行特征选择,结合分析出的特征选择利用特征属性的Fisher比构造出特征子集的评价函数,然后结合计算出的特征子集评价函数进行支持向量机完成对基于特征选择的网络入侵检测模型研究方法。仿真实验表明,利用支持向量机对网络入侵进行检测能有效地提高入侵检测的速度以及入侵检测的准确性。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

基于多模板子空间的支持向量机多类自然形状识别

自然物体的检测与识别是机器视觉以及模式识别的重要任务。由于自然物体形状的多样性与柔性以及视觉判别的复杂性,使基于计算机的自然形状物体的准确检测与识别变得比较困难。提出了基于多模板子空间的支持向量机(SVM)多类自然形状识别方法。利用广义Hough变换表示自然形状物体轮廓,针对每个类别通过训练得到多个匹配模板;检测时利用多模板最近邻相关匹配进行粗检测,使用支持向量机进行分类。在相关匹配限定的子空间内收集训练样本,有效地降低了训练样本数目。实验结果证明所提出的自然形状检测与识别方法是十分有效的,大大改进了经典检测算法的检测效果以及自动化程度。     

基于可见光谱和支持向量机的黄瓜叶部病害识别方法研究

以黄瓜叶部病害作为研究对象,基于可见光谱反射率差异识别黄瓜叶部病害,研究基于SVM的黄瓜叶部病害识别预测模型。采用小波变换进行数据预处理;选取Otsu、边缘分割法和K均值聚类三类分割方法进行病斑分割,比较错分率和运行时间,K均值聚类方法更适合黄瓜叶部病斑分割;提取纹理、颜色和形状特征参数,共15个特征参数;通过交叉验证选择最优参数c和g,对核函数参数进行优化处理,并通过比较线性核、多项式核、RBF核等不同核函数情况下SVM的正确识别率,确定RBF核SVM模式识别方法能够更精准地识别黄瓜叶部病害。并将基于SVM与另外两种常见的黄瓜叶部病害识别方法,BP神经网络和模糊聚类进行比较,结果表明,基于SVM的识别模型对霜霉病的正确识别率为95%,白粉病和褐斑病的正确识别率均为90%,平均诊断正确率为92%;该模式识别方法识别效果最佳,运行时间最短,为基于可见光谱的黄瓜病害识别模型提供参考。     

基于在线最小二乘支持向量机回归的混沌时间序列预测

提出了一种基于在线最小二乘支持向量机（LS-SVM）回归的混沌时间序列的预测方法.与离线支持向量机相比，在线最小二乘支持向量机预测方法即使当混沌系统的参数随时间变化时仍然有效.以Chen's混沌系统、Rssler混沌系统、Hénon映射及脑电(EEG)信号四种混沌时 间序列为例评估本文提出的预测方法，结果验证了其混沌时间序列预测的有效性. 关键词： 混沌时间序列 预测 在线学习 支持向量机