| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 康复机器人研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 康复机器人控制研究现状 | 第14-17页 |
| 1.3.1 基于位置的跟踪控制 | 第15页 |
| 1.3.2 力和阻抗控制 | 第15页 |
| 1.3.3 基于生物信号的控制 | 第15-16页 |
| 1.3.4 自适应控制 | 第16-17页 |
| 1.4 本文主要研究内容 | 第17-19页 |
| 第二章 下肢康复机器人康复训练控制系统的构建 | 第19-27页 |
| 2.1 人体下肢康复机理 | 第19-20页 |
| 2.1.1 人体下肢康复理论 | 第19页 |
| 2.1.2 下肢运动方式 | 第19页 |
| 2.1.3 下肢理疗方式 | 第19-20页 |
| 2.2 人体下肢康复训练分析 | 第20-22页 |
| 2.2.1 人体下肢康复训练模式 | 第20-21页 |
| 2.2.2 人体下肢康复训练控制策略 | 第21-22页 |
| 2.3 下肢康复机器人康复训练系统 | 第22-24页 |
| 2.4 下肢康复机器人控制系统 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 人体下肢步态预测模型 | 第27-41页 |
| 3.1 人体下肢步态研究现状 | 第27-28页 |
| 3.2 人体下肢步态模型 | 第28-31页 |
| 3.2.1 步态采集 | 第28-29页 |
| 3.2.2 步态曲线拟合 | 第29-31页 |
| 3.3 神经网络预测原理 | 第31-33页 |
| 3.3.1 正向建模 | 第31-32页 |
| 3.3.2 逆向建模 | 第32-33页 |
| 3.4 基于广义回归神经网络的步态预测模型 | 第33-35页 |
| 3.4.1 广义回归神经网络 | 第33-34页 |
| 3.4.2 GRNN的优点 | 第34页 |
| 3.4.3 基于GRNN的步态模型训练 | 第34-35页 |
| 3.5 GRNN神经网络步态模型的验证 | 第35-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第四章 下肢康复机器人自适应控制 | 第41-53页 |
| 4.1 下肢动力学模型 | 第41-43页 |
| 4.2 自适应控制策略 | 第43-44页 |
| 4.3 基于RBF神经网络的鲁棒控制 | 第44-50页 |
| 4.3.1 神经网络控制 | 第44-45页 |
| 4.3.2 RBF神经网络 | 第45-46页 |
| 4.3.3 滑模控制 | 第46-49页 |
| 4.3.4 滑模控制器设计 | 第49-50页 |
| 4.4 控制系统稳定性分析 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 下肢康复机器人自适应控制仿真实验 | 第53-67页 |
| 5.1 基于matlab/simulink的仿真模型 | 第53页 |
| 5.2 自适应控制系统仿真实验 | 第53-56页 |
| 5.3 仿真结果分析 | 第56-58页 |
| 5.4 不同阶段的康复训练仿真 | 第58-66页 |
| 5.4.1 康复训练结果分析 | 第58-63页 |
| 5.4.2 康复训练学习能力分析 | 第63-64页 |
| 5.4.3 康复训练应用对象分析 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 结论和展望 | 第67-69页 |
| 参考文献 | 第69-77页 |
| 攻读学位期间所取得的相关科研成果 | 第77-79页 |
| 致谢 | 第79页 |