| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题的研究背景与意义 | 第9-10页 |
| 1.3 相关技术与国内外研究现状 | 第10-15页 |
| 1.3.1 触觉传感器的相关技术 | 第11-12页 |
| 1.3.2 触觉信号识别的研究现状 | 第12-15页 |
| 1.4 本文研究内容与组织结构 | 第15-17页 |
| 1.4.1 本文研究内容 | 第15-16页 |
| 1.4.2 本文组织结构 | 第16-17页 |
| 第2章 多模态触觉信号采集系统 | 第17-30页 |
| 2.1 多模态触觉信号采集系统设计 | 第17-18页 |
| 2.2 多模态触觉感知模块设计 | 第18-21页 |
| 2.2.1 模块简介 | 第18-19页 |
| 2.2.2 触觉传感器选型 | 第19-21页 |
| 2.3 数据采集模块设计 | 第21-25页 |
| 2.3.1 最小系统设计 | 第21-22页 |
| 2.3.2 A/D转换模块 | 第22页 |
| 2.3.3 蓝牙模块 | 第22-24页 |
| 2.3.4 下位机数据采集控制 | 第24页 |
| 2.3.5 上位机串口通信 | 第24-25页 |
| 2.4 loadcell六轴传感器与FSR触觉传感器数据的同步 | 第25-28页 |
| 2.5 实验数据集 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 多模态触觉信号时空关联特征提取 | 第30-49页 |
| 3.1 方法设计 | 第30-31页 |
| 3.2 多模态触觉信号滤波处理 | 第31-34页 |
| 3.2.1 滤波处理 | 第31-32页 |
| 3.2.2 滤波处理结果分析 | 第32-34页 |
| 3.3 空间特征提取 | 第34-40页 |
| 3.3.1 归一化处理 | 第34-35页 |
| 3.3.2 CNN网络结构设计 | 第35-40页 |
| 3.4 时空关联特征提取 | 第40-44页 |
| 3.5 神经网络训练策略 | 第44-46页 |
| 3.5.1 SGD训练加速策略 | 第44-45页 |
| 3.5.2 Dropout 过拟合预防策略 | 第45-46页 |
| 3.6 实验结果与分析 | 第46-48页 |
| 3.6.1 实验内容 | 第46-47页 |
| 3.6.2 结果分析 | 第47-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第4章 基于优化的BT-SVM的多模态触觉信号识别 | 第49-59页 |
| 4.1 方法设计 | 第49-50页 |
| 4.2 BT-SVM分析 | 第50-51页 |
| 4.3 BT-SVM多分类器的优化 | 第51-56页 |
| 4.3.1 PSO优化算法 | 第51页 |
| 4.3.2 PSO优化算法的改进 | 第51-55页 |
| 4.3.3 改进的PSO算法聚类 | 第55-56页 |
| 4.3.4 改进的PSO算法聚类优化二叉树结构 | 第56页 |
| 4.4 实验结果与分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间获得的学术成果 | 第66页 |