基于模糊贝叶斯网络的全向智能轮椅避障
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外的智能轮椅研究概况 | 第10-13页 |
| 1.2.1 国外智能轮椅发展概况 | 第10-12页 |
| 1.2.2 国内智能轮椅发展概况 | 第12-13页 |
| 1.3 智能轮椅关键技术 | 第13-16页 |
| 1.3.1 多传感器信息融合技术 | 第13-14页 |
| 1.3.2 控制系统 | 第14页 |
| 1.3.3 自动规划和调度 | 第14-15页 |
| 1.3.4 人机交互接口 | 第15-16页 |
| 1.4 论文的研究内容和结构 | 第16-17页 |
| 1.4.1 论文的研究内容 | 第16页 |
| 1.4.2 论文的结构安排 | 第16-17页 |
| 1.5 本章小结 | 第17-19页 |
| 第2章 全向智能轮椅硬件组成与开发平台 | 第19-27页 |
| 2.1 全向智能轮椅开发平台 | 第19-24页 |
| 2.1.1 硬件平台系统构成 | 第19-21页 |
| 2.1.2 超声波传感器 | 第21-22页 |
| 2.1.3 麦克纳姆轮 | 第22-24页 |
| 2.2 软件开发平台介绍 | 第24-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 改进的模糊神经网络避障及参数优化 | 第27-43页 |
| 3.1 模糊逻辑的和神经网络 | 第27-30页 |
| 3.1.1 模糊推理与模糊逻辑控制过程 | 第27-28页 |
| 3.1.2 神经网络模型 | 第28-30页 |
| 3.2 改进的模糊神经网络避障算法 | 第30-34页 |
| 3.2.1 改进的模糊神经网络控制器 | 第30-31页 |
| 3.2.2 改进的模糊神经网络结构 | 第31-34页 |
| 3.3 参数优化 | 第34-40页 |
| 3.3.1 误差曲面 | 第35-36页 |
| 3.3.2 对误差的局部二次逼近 | 第36-37页 |
| 3.3.3 共轭梯度法 | 第37-40页 |
| 3.4 共轭梯度法优化结果 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于贝叶斯网络的智能轮椅避障算法 | 第43-51页 |
| 4.1 网络权值的贝叶斯学习 | 第43-44页 |
| 4.2 基于贝叶斯网络的智能轮椅避障优化 | 第44-47页 |
| 4.2.1 超参数的处理 | 第44-45页 |
| 4.2.2 贝叶斯模型的选择 | 第45-47页 |
| 4.3 基于贝叶斯网络算法的智能轮椅避障优化结果 | 第47-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 实验结果与分析 | 第51-59页 |
| 5.1 人机交互系统 | 第51-52页 |
| 5.2 仿真实验结果及分析 | 第52-54页 |
| 5.2.1 Matlab中的避障仿真结果 | 第52-53页 |
| 5.2.2 避障算法改进前后仿真对比结果 | 第53-54页 |
| 5.3 实机实验结果及分析 | 第54-56页 |
| 5.3.1 算法改进前后对比实验 | 第54-55页 |
| 5.3.2 复杂环境中全向智能轮椅的避障实验 | 第55-56页 |
| 5.4 本章小结 | 第56-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间所发表的学术论文 | 第65-67页 |
| 致谢 | 第67页 |
