基于EMD与ELM的机器人地面分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究目的与意义 | 第11-12页 |
| 1.2 基于振动的地面分类的国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14页 |
| 1.3 EMD特征提取方法研究现状 | 第14-15页 |
| 1.4 ELM分类算法研究现状 | 第15-16页 |
| 1.5 多分类融合算法研究现状 | 第16-17页 |
| 1.6 基于振动和声音的分类法 | 第17-18页 |
| 1.7 本文的主要研究内容及结构安排 | 第18-19页 |
| 第2章 实验数据的采集 | 第19-29页 |
| 2.1 实验系统 | 第19-24页 |
| 2.1.1 移动机器人实验平台 | 第19-21页 |
| 2.1.2 数据采集系统 | 第21-23页 |
| 2.1.3 实验地面 | 第23-24页 |
| 2.2 数据采集实验 | 第24-27页 |
| 2.2.1 实验方案 | 第24页 |
| 2.2.2 实验操作过程 | 第24-27页 |
| 2.3 实验数据的预处理 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于经验模式分解的特征提取方法 | 第29-43页 |
| 3.1 内蕴模式函数 | 第29页 |
| 3.2 经验模式分解的优越性 | 第29-33页 |
| 3.2.1 完备性和近似正交性 | 第30-32页 |
| 3.2.2 自适应性和局部性 | 第32-33页 |
| 3.3 内蕴模式函数能量及失真度分析 | 第33-36页 |
| 3.4 经验模式分解的分解步骤 | 第36页 |
| 3.5 基于EMD-TADA的特征提取方法 | 第36-38页 |
| 3.5.1 时域幅值特征 | 第36-37页 |
| 3.5.2 基于EMD-TADA的特征提取步骤 | 第37-38页 |
| 3.6 基于EMD-PSD的特征提取方法 | 第38-40页 |
| 3.6.1 基于PSD的特征提取方法 | 第38-39页 |
| 3.6.2 基于EMD-PSD的特征提取步骤 | 第39-40页 |
| 3.7 基于EMD-SVD的特征提取方法 | 第40-41页 |
| 3.7.1 基于SVD的特征提取方法 | 第40页 |
| 3.7.2 基于EMD-SVD的特征提取步骤 | 第40-41页 |
| 3.8 本章小结 | 第41-43页 |
| 第4章 基于改进的极限学习机的地面分类 | 第43-59页 |
| 4.1 极限学习机算法存在的问题 | 第43-46页 |
| 4.2 改进的极限学习机 | 第46-47页 |
| 4.2.1 隐含层节点贡献度 | 第46-47页 |
| 4.2.2 隐含层节点的约减方法和步骤 | 第47页 |
| 4.3 基于EMD-TADA特征的地面分类 | 第47-51页 |
| 4.4 基于EMD-PSD特征的地面分类 | 第51-54页 |
| 4.5 基于EMD-SVD特征的地面分类 | 第54-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 基于改进模糊积分的极限学习机融合 | 第59-77页 |
| 5.1 模糊积分 | 第59-61页 |
| 5.1.1 Sugeno模糊测度 | 第59-60页 |
| 5.1.2 Sugeno模糊积分 | 第60-61页 |
| 5.2 模糊测度的确定 | 第61-64页 |
| 5.2.1 模糊测度密度的确定 | 第62-63页 |
| 5.2.2 模糊参数λ的简化计算 | 第63-64页 |
| 5.3 新的模糊积分函数的确定 | 第64-65页 |
| 5.4 基于改进模糊积分的ELM融合决策步骤 | 第65页 |
| 5.5 改进的ELM融合的实验结果及分析 | 第65-74页 |
| 5.5.1 两个改进的ELM融合的实验结果及分析 | 第66-72页 |
| 5.5.2 三个改进的ELM融合的实验结果及分析 | 第72-74页 |
| 5.6 本章小结 | 第74-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-86页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第86-87页 |
| 致谢 | 第87页 |
