| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 肌电假肢控制的研究现状 | 第11页 |
| 1.2.2 sEMG手势识别的研究现状 | 第11-12页 |
| 1.2.3 针对电极移位问题的研究现状 | 第12-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 背景知识 | 第18-30页 |
| 2.1 表面肌电信号(sEMG) | 第18-21页 |
| 2.1.1 sEMG的产生及特点 | 第18-19页 |
| 2.1.2 基于sEMG手势识别的肌电控制 | 第19-21页 |
| 2.2 电极移位 | 第21-23页 |
| 2.2.1 电极移位的产生 | 第21-22页 |
| 2.2.2 电极移位的影响 | 第22-23页 |
| 2.3 相关机器学习方法概述 | 第23-29页 |
| 2.3.1 机器学习方法类型 | 第23页 |
| 2.3.2 在线半监督多通道生长型神经气OSSMGNG | 第23-26页 |
| 2.3.3 线性判别分析LDA | 第26-27页 |
| 2.3.4 多层神经网络MLP | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 针对电极移位的sEMG手势识别在线半监督学习方法 | 第30-39页 |
| 3.1 基本概述 | 第30页 |
| 3.2 在线半监督学习模型 | 第30-31页 |
| 3.3 实验验证 | 第31-38页 |
| 3.3.1 实验设定 | 第31-34页 |
| 3.3.2 实验结果和分析 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于分布映射的多分类器加权结合方法 | 第39-52页 |
| 4.1 基本概述 | 第39页 |
| 4.2 基于分布映射的多分类器加权结合方法 | 第39-45页 |
| 4.2.1 分布映射的学习 | 第41-42页 |
| 4.2.2 加权分类器的学习 | 第42-44页 |
| 4.2.3 数据分布评估及分类 | 第44-45页 |
| 4.3 实验验证 | 第45-51页 |
| 4.3.1 实验设定 | 第45-47页 |
| 4.3.2 实验结果和分析 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 针对电极移位的sEMG手势识别无监督域适应方法 | 第52-68页 |
| 5.1 基本概述 | 第52页 |
| 5.2 基于LDA的无监督域适应方法 | 第52-58页 |
| 5.2.1 基准类的选择 | 第53-57页 |
| 5.2.2 非基准类分布参数的估计 | 第57-58页 |
| 5.2.3 LDA分类器的校准 | 第58页 |
| 5.3 实验验证 | 第58-67页 |
| 5.3.1 实验设定 | 第59-61页 |
| 5.3.2 实验结果和分析 | 第61-67页 |
| 5.4 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |
