摘要 | 第1-7页 |
Abstract | 第7-12页 |
第1章 绪论 | 第12-24页 |
·轮式机器人地面分类系统 | 第12-13页 |
·研究的目的与意义 | 第13-15页 |
·移动机器人地面分类方法的国内外研究现状 | 第15-20页 |
·移动机器人地面分类方法的国外研究现状 | 第15-19页 |
·移动机器人地面分类方法的国内研究现状 | 第19-20页 |
·轮式机器人地面分类需要解决的两个问题 | 第20-22页 |
·本文的主要研究内容和结构 | 第22-24页 |
第2章 实验数据的采集 | 第24-37页 |
·实验的目的 | 第24页 |
·实验系统 | 第24-30页 |
·机器人的结构与传感器 | 第25-27页 |
·动态信号测试分析系统与台式电脑 | 第27-29页 |
·实验地面 | 第29-30页 |
·实验方案与数据采集过程 | 第30-34页 |
·实验数据处理与分析 | 第34-35页 |
·本章小结 | 第35-37页 |
第3章 基于改进的k -近邻方法的地面分类 | 第37-56页 |
·地面特征 | 第37-40页 |
·kNN法存在的问题 | 第40-42页 |
·改进的kNN方法 | 第42-44页 |
·改进的 kNN 法原理 | 第42-43页 |
·改进的 kNN 算法描述 | 第43-44页 |
·基于改进kNN法的地面分类算法流程图 | 第44页 |
·实验结果及分析 | 第44-54页 |
·单一传感器数据的实验结果及分析 | 第44-51页 |
·融合数据的实验结果及分析 | 第51-54页 |
·本章小结 | 第54-56页 |
第4章 基于改进的概率神经网络方法的地面分类 | 第56-68页 |
·PNN 方法存在的问题 | 第56-58页 |
·改进的 PNN 方法 | 第58-63页 |
·平滑因子σ的迭代寻优方法 | 第58-59页 |
·平滑因子σ对分类准确率的影响 | 第59-63页 |
·改进的 PNN 算法描述 | 第63页 |
·基于改进 PNN 的地面分类算法流程图 | 第63-64页 |
·实验结果及分析 | 第64-67页 |
·本章小结 | 第67-68页 |
第5章 基于改进的一对一支持向量机方法的地面分类 | 第68-86页 |
·SVM 方法存在的问题 | 第68-74页 |
·改进的一对一 SVM 方法 | 第74-79页 |
·改进的一对一 SVM 方法原理 | 第74-75页 |
·使用 LIBSVM 软件中一对一 SVM 二值分类程序的主要过程 | 第75-78页 |
·改进的一对一 SVM 算法描述 | 第78-79页 |
·基于改进的一对一 SVM 的地面分类算法流程图 | 第79-80页 |
·实验结果及分析 | 第80-82页 |
·改进的kNN、改进的 PNN 及改进的一对一 SVM 方法的比较 | 第82-85页 |
·本章小结 | 第85-86页 |
第6章 基于奇异值分解的地面分类方法及不同方法的比较 | 第86-115页 |
·基于奇异值分解(SVD)的地面分类 | 第86-91页 |
·基于奇异值分解的特征提取方法 | 第86-88页 |
·基于奇异值分解的特征提取算法描述 | 第88页 |
·基于奇异值分解的地面分类算法流程图 | 第88-89页 |
·实验结果及分析 | 第89-91页 |
·基于快速傅里叶变换(FFT)的地面分类 | 第91-101页 |
·离散傅里叶变换(DFT) | 第91-92页 |
·快速傅里叶变换(FFT) | 第92-93页 |
·按时间抽取(DIT)基-2FFT 算法 | 第93-94页 |
·基于 FFT 的特征提取方法 | 第94-97页 |
·基于 FFT 的特征提取算法描述 | 第97-98页 |
·基于 FFT 的地面分类算法流程图 | 第98页 |
·实验结果及分析 | 第98-101页 |
·基于功率谱密度(PSD)的地面分类 | 第101-112页 |
·功率谱估计的经典方法 | 第101-105页 |
·基于 PSD 的特征提取方法 | 第105-108页 |
·基于 PSD 的特征提取算法描述 | 第108-109页 |
·基于 PSD 的地面分类算法流程图 | 第109页 |
·实验结果及分析 | 第109-112页 |
·三种特征提取方法的比较 | 第112-114页 |
·本章小结 | 第114-115页 |
结论 | 第115-117页 |
参考文献 | 第117-127页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第127-128页 |
致谢 | 第128-129页 |
个人简历 | 第129页 |