| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 机器人与灵巧操作 | 第9-10页 |
| 1.2 机器人触觉感知 | 第10页 |
| 1.3 机器人信息模态表征与触觉分类研究 | 第10-13页 |
| 1.3.1 机器人信息模态表征 | 第11页 |
| 1.3.2 机器人触觉分类相关研究 | 第11-13页 |
| 1.4 本文工作及结构安排 | 第13-16页 |
| 1.4.1 实验平台搭建与TSH-16数据采集 | 第13-14页 |
| 1.4.2 改进的KNN触觉分类算法设计 | 第14页 |
| 1.4.3 触觉分类的机器学习算法设计 | 第14页 |
| 1.4.4 创新性分析 | 第14-15页 |
| 1.4.5 结构安排 | 第15-16页 |
| 第二章 触觉数据采集实验与对比分析 | 第16-27页 |
| 2.1 多自由度数据采集平台 | 第16-19页 |
| 2.1.1 Schunk 7 自由度机械臂 | 第16-17页 |
| 2.1.2 Barrett 4 自由度灵巧手 | 第17-19页 |
| 2.2 TSH-16数据集组建实验 | 第19-21页 |
| 2.2.1 实验物体选择 | 第19-20页 |
| 2.2.2 抓取实验 | 第20-21页 |
| 2.3 TSH-16数据集分析 | 第21-22页 |
| 2.4 相关触觉数据集对比 | 第22-26页 |
| 2.4.1 SD-5 数据分析与处理 | 第23-24页 |
| 2.4.2 SPr-7 数据分析与处理 | 第24-25页 |
| 2.4.3 SD-10数据分析与处理 | 第25页 |
| 2.4.4 SPr-10数据分析与处理 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 触觉信息的降维处理 | 第27-31页 |
| 3.1 触觉信息的降维 | 第27-30页 |
| 3.1.1 PCA算法概述 | 第27-28页 |
| 3.1.2 应用于触觉序列的PCA降维算法设计 | 第28-29页 |
| 3.1.3 实验分析 | 第29-30页 |
| 3.2 本章小结 | 第30-31页 |
| 第四章 改进的K近邻触觉序列分类算法设计 | 第31-53页 |
| 4.1 K近邻算法 | 第31-33页 |
| 4.2 触觉序列分类的MARTIN-KNN算法设计 | 第33-42页 |
| 4.2.1 LDS触觉模态表征 | 第33-35页 |
| 4.2.2 Martin距离衡量因子 | 第35-36页 |
| 4.2.3 触觉分类的Martin-KNN算法设计 | 第36-37页 |
| 4.2.4 Martin-KNN算法的实验验证 | 第37-42页 |
| 4.3 触觉序列分类的DTW-KNN算法设计 | 第42-50页 |
| 4.3.1 DTW触觉序列路径规划 | 第42-44页 |
| 4.3.2 触觉序列分类的DTW-KNN算法设计 | 第44-45页 |
| 4.3.3 DTW-KNN算法的实验验证 | 第45-50页 |
| 4.4 实验结果对比 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 触觉分类的机器学习算法设计 | 第53-84页 |
| 5.1 支持向量机概述 | 第53-55页 |
| 5.2 极限学习机概述 | 第55-58页 |
| 5.2.1 人工神经网络基本原理 | 第55-57页 |
| 5.2.2 人工神经网络分类 | 第57-58页 |
| 5.3 触觉分类的机器学习算法设计 | 第58-67页 |
| 5.3.1 马丁矩阵组建 | 第59-60页 |
| 5.3.2 码书组建 | 第60-62页 |
| 5.3.3 Bag-of-System触觉模态表征算法 | 第62-63页 |
| 5.3.4 基于支持向量机的触觉序列分类算法 | 第63-65页 |
| 5.3.5 基于极限学习机的触觉序列分类算法 | 第65-67页 |
| 5.4 机器学习算法的实验验证与对比分析 | 第67-82页 |
| 5.5 本章小结 | 第82-84页 |
| 第六章 实验总结与分析 | 第84-86页 |
| 6.1 实验总结 | 第84-85页 |
| 6.2 问题分析 | 第85-86页 |
| 第七章 结论与展望 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-92页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第92页 |
