异构双腿行走机器人步态对称性与步态模式研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 引言 | 第11-12页 |
| 1.2 双足机器人及智能假肢的研究现状 | 第12-17页 |
| 1.2.1 双足机器人的研究现状 | 第12-15页 |
| 1.2.2 智能仿生腿的研究现状 | 第15-17页 |
| 1.3 异构双腿行走机器人的提出及意义 | 第17-18页 |
| 1.3.1 异构双腿机器人的提出 | 第17-18页 |
| 1.3.2 课题的研究意义 | 第18页 |
| 1.4 论文主要工作 | 第18-21页 |
| 1.4.1 论文主要研究内容 | 第18-19页 |
| 1.4.2 论文结构 | 第19-21页 |
| 第2章 步态分析数据采集与实验平台 | 第21-31页 |
| 2.1 引言 | 第21页 |
| 2.2 实验数据的采集 | 第21-24页 |
| 2.2.1 实验设备的选择 | 第21-23页 |
| 2.2.2 实验数据的采集 | 第23-24页 |
| 2.3 实验平台介绍 | 第24-29页 |
| 2.3.1 BRHL虚拟样机介绍 | 第24-27页 |
| 2.3.2 BRHL仿真平台介绍 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 BRHL的步态对称性分析及优化 | 第31-43页 |
| 3.1 腿部运动信息预处理 | 第31-32页 |
| 3.2 人和BRHL的步态对称性分析 | 第32-36页 |
| 3.2.1 人体步态对称性研究 | 第32-33页 |
| 3.2.2 步态对称性评价指标 | 第33-34页 |
| 3.2.3 BRHL的步长对称性分析 | 第34-36页 |
| 3.3 基于遗传算法的BP神经网络的优化方法 | 第36-41页 |
| 3.3.1 遗传算法介绍 | 第36-37页 |
| 3.3.2 BP神经网络介绍 | 第37-39页 |
| 3.3.3 遗传神经网络的优化过程 | 第39-40页 |
| 3.3.4 结果分析 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 基HMM的步态模式识别算法 | 第43-57页 |
| 4.1 隐马尔科夫模型基本原理 | 第43-49页 |
| 4.1.1 Markov链 | 第43-44页 |
| 4.1.2 隐马尔科夫(HMM)基本概念 | 第44-45页 |
| 4.1.3 HMM的三个基本问题和解决办法 | 第45-49页 |
| 4.1.3.1 前向-后向算法 | 第46-48页 |
| 4.1.3.2 Baum-Welch算法 | 第48-49页 |
| 4.2 基于小波变换的加速度信号处理 | 第49-52页 |
| 4.2.1 加速度信号的预处理 | 第49页 |
| 4.2.2 小波变换简要介绍 | 第49-51页 |
| 4.2.3 基于小波分解进行特征提取 | 第51-52页 |
| 4.3 基于HMM的步态识别 | 第52-56页 |
| 4.3.1 步态识别流程 | 第52-53页 |
| 4.3.2 人体步态划分与模型选取 | 第53页 |
| 4.3.3 HMM模型的建立与测试过程 | 第53-55页 |
| 4.3.4 实验结果分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 基于神经元网络的步态模型建立 | 第57-75页 |
| 5.1 引言 | 第57-58页 |
| 5.1.1 步态生成模型学习过程 | 第57-58页 |
| 5.2 步态的定量分析 | 第58-68页 |
| 5.2.1 典型步态事件检测 | 第58-63页 |
| 5.2.2 步长的计算 | 第63-68页 |
| 5.3 膝关节角度特征提取 | 第68-72页 |
| 5.3.1 膝关节时间序列的傅里叶级数展开 | 第68-71页 |
| 5.3.2 基于PCA的降维处理 | 第71-72页 |
| 5.4 步态生成模型的建立与测试过程 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 工作总结 | 第75页 |
| 6.2 问题与展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83页 |
