| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 第1章 绪论 | 第15-28页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 机械手视觉伺服控制研究现状 | 第16-25页 |
| 1.2.1 视觉伺服系统配置 | 第16-17页 |
| 1.2.2 基于反馈的视觉伺服 | 第17-21页 |
| 1.2.3 视觉伺服的控制器设计 | 第21-24页 |
| 1.2.4 视觉伺服中的图像特征处理 | 第24页 |
| 1.2.5 视觉伺服控制存在的问题 | 第24-25页 |
| 1.3 研究内容 | 第25-27页 |
| 1.4 结构章节 | 第27-28页 |
| 第2章 基于ELM-PSO-GA的机械手逆运动学求解 | 第28-42页 |
| 2.1 引言 | 第28-30页 |
| 2.2 机械手正运动学理论 | 第30-31页 |
| 2.3 提出的ELM-PSO-GA | 第31-37页 |
| 2.3.1 极限学习机 | 第31-34页 |
| 2.3.2 PSO-GA | 第34-35页 |
| 2.3.3 基于ELM-PSO-GA的机械臂逆解算法 | 第35-37页 |
| 2.4 实验结果和分析 | 第37-41页 |
| 2.4.1 ELM和ANN求机械手逆解对比分析 | 第37-38页 |
| 2.4.2 四种优化算法优化机械手逆解对比分析 | 第38-39页 |
| 2.4.3 ELM-PSO-GA算法的机械手逆解结果及对比分析 | 第39-40页 |
| 2.4.4 ELM-PSO-GA算法的MT-ARM实证 | 第40-41页 |
| 2.5 小结 | 第41-42页 |
| 第3章 基于MARS和改进的IELM的机械手无标定视觉伺服 | 第42-62页 |
| 3.1 引言 | 第42-43页 |
| 3.2 相关理论 | 第43-46页 |
| 3.2.1 多元自适应回归样条模型 | 第43-44页 |
| 3.2.2 增量型极限学习机 | 第44-46页 |
| 3.3 提出的MARS-RKRIELM模型 | 第46-49页 |
| 3.3.1 随机降低核的正则化增量型极限学习机 | 第46-47页 |
| 3.3.2 混合模型MARS-RKRIELM | 第47-49页 |
| 3.4 基于MARS-RKRIELM的IBVS控制系统 | 第49-51页 |
| 3.5 实验结果和分析 | 第51-61页 |
| 3.5.1 提出的基于MARS-RKRIELM的IBVS控制系统 | 第52-55页 |
| 3.5.2 提出的IBVS和经典的IBVS实验对比 | 第55-56页 |
| 3.5.3 提出的IBVS和其他的IBVS实验对比 | 第56-59页 |
| 3.5.4 提出的IBVS和其他ELM构建IBVS的实验对比 | 第59-61页 |
| 3.6 小结 | 第61-62页 |
| 第4章 基于遗忘机制和正则化在线连续极限学习机的机械手视觉伺服 | 第62-83页 |
| 4.1 引言 | 第62-64页 |
| 4.2 KF-FROSELM算法 | 第64-68页 |
| 4.2.1 基于Kalman滤波算法的图像雅可比矩阵辨识模型 | 第64-65页 |
| 4.2.2 基于遗忘机制和正则化的在线序贯极限学习机算法 | 第65-68页 |
| 4.3 CMAC-KF-FROSELM算法优化IBVS系统 | 第68-70页 |
| 4.3.1 KF-FROSELM算法进行图像雅可比矩阵的在线辨识 | 第68-69页 |
| 4.3.2 基于小脑模型优化KF-FROSELM的雅可比矩阵在线辨识方法 | 第69-70页 |
| 4.4 系统仿真和分析 | 第70-82页 |
| 4.4.1 原始IBVS和基于CMAC优化的IBVS系统的对比 | 第71-72页 |
| 4.4.2 原始IBVS和基于KF-FROSELM的IBVS系统的对比 | 第72-74页 |
| 4.4.3 基于Kalman滤波的IBVS系统和本章算法的对比 | 第74-79页 |
| 4.4.4 自适应神经网络IBVS和本章IBVS的对比 | 第79-82页 |
| 4.5 小结 | 第82-83页 |
| 第5章 基于鲁棒Kalman滤波和LSTM的机械手视觉伺服 | 第83-101页 |
| 5.1 引言 | 第83-85页 |
| 5.2 IBVS控制系统概述 | 第85-86页 |
| 5.3 基于RKF和LSTM的机械手IBVS系统 | 第86-91页 |
| 5.3.1 鲁棒KF雅可比矩阵估计 | 第86-87页 |
| 5.3.2 LSTM的雅可比矩阵估计 | 第87-89页 |
| 5.3.3 基于RKF-LSTM的视觉伺服控制系统 | 第89-91页 |
| 5.4 仿真结果和分析 | 第91-99页 |
| 5.4.1 提出的IBVS和经典IBVS对比 | 第92-93页 |
| 5.4.2 提出的IBVS和其他IBVS对比 | 第93-95页 |
| 5.4.3 基于RKF-LSTM的IBVS鲁棒性分析 | 第95-98页 |
| 5.4.4 目标特征不共面的实验分析 | 第98-99页 |
| 5.5 小结 | 第99-101页 |
| 第6章 基于OS-Fuzzy-Dropout-ELM的机械手滑模控制 | 第101-119页 |
| 6.1 引言 | 第101-103页 |
| 6.2 相关模型 | 第103-105页 |
| 6.2.1 机械手动力学模型 | 第103-104页 |
| 6.2.2 滑模控制器的设计 | 第104-105页 |
| 6.3 基于OS-Fuzzy-Dropout-ELM的滑模控制 | 第105-109页 |
| 6.3.1 OS-Fuzzy-Dropout-ELM | 第105-108页 |
| 6.3.2 稳定性分析 | 第108-109页 |
| 6.4 实验结果和分析 | 第109-117页 |
| 6.4.1 实验设置 | 第109-110页 |
| 6.4.2 实验结果分析 | 第110-117页 |
| 6.5 小结 | 第117-119页 |
| 第7章 基于混合灰狼算法优化的极限学习机的机械手滑模控制 | 第119-137页 |
| 7.1 引言 | 第119-120页 |
| 7.2 灰狼算法 | 第120-122页 |
| 7.3 基于改进的灰狼优化算法的极限学习机模型 | 第122-125页 |
| 7.3.1 改进的灰狼优化算法 | 第122-123页 |
| 7.3.2 基于HGWO的极限学习机模型 | 第123-125页 |
| 7.4 基于HGWO-ELM的滑模控制器设计 | 第125-128页 |
| 7.4.1 基于模型逼近的滑模控制器设计 | 第125-126页 |
| 7.4.2 基于HGWO-ELM逼近的滑模控制 | 第126页 |
| 7.4.3 稳定性及收敛性分析 | 第126-128页 |
| 7.5 实验结果与分析 | 第128-136页 |
| 7.5.1 实验设置 | 第128-129页 |
| 7.5.2 实验结果分析 | 第129-136页 |
| 7.6 小结 | 第136-137页 |
| 第8章 结论和展望 | 第137-139页 |
| 8.1 结论 | 第137-138页 |
| 8.2 展望 | 第138-139页 |
| 参考文献 | 第139-150页 |
| 攻读博士期间研究成果及主持项目 | 第150-152页 |
| 致谢 | 第152页 |
