智能仿生腿运动状态识别与控制研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 主要符号表 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 相关技术国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究概况 | 第12-13页 |
| 1.2.2 国内研究概况 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本文的结构安排 | 第15-17页 |
| 第二章 步态感知系统 | 第17-25页 |
| 2.1 步态概要 | 第17-18页 |
| 2.2 步态数据采集与预处理 | 第18-22页 |
| 2.2.1 步态相位感知系统 | 第19页 |
| 2.2.2 足底压力采集模块 | 第19-20页 |
| 2.2.3 加速度采集模块 | 第20-22页 |
| 2.3 步态数据的融合 | 第22-24页 |
| 2.3.1 基于主成分分析的步态数据特征融合算法 | 第22-24页 |
| 2.3.2 特征提取及选择 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 步态识别算法研究 | 第25-40页 |
| 3.1 三种识别算法对比 | 第25-35页 |
| 3.1.1 支持向量机分类 | 第25-31页 |
| 3.1.2 K-近邻分类 | 第31-32页 |
| 3.1.3 决策树分类 | 第32-34页 |
| 3.1.4 三种识别算法效果对比 | 第34-35页 |
| 3.2 改进支持向量机算法 | 第35-39页 |
| 3.2.1 SVM_Adaboost算法流程 | 第35-36页 |
| 3.2.2 优化支持向量机算法压力测试 | 第36-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 智能仿生腿模型样机设计 | 第40-52页 |
| 4.1 膝关节设计 | 第40-46页 |
| 4.2 踝关节设计 | 第46-47页 |
| 4.3 串联弹性驱动器模型阻抗特性分析 | 第47-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 智能仿生腿控制器设计 | 第52-64页 |
| 5.1 仿生腿控制模型 | 第52-58页 |
| 5.1.1 仿生腿二次型最优控制器设计 | 第53-54页 |
| 5.1.2 连续系统二次型最优控制问题概述 | 第54页 |
| 5.1.3 有限时间定常跟踪问题 | 第54-56页 |
| 5.1.4 仿生腿力矩最优控制的实现 | 第56-58页 |
| 5.2 基于神经网络PID控制器的仿生腿控制 | 第58-63页 |
| 5.2.1 神经网络PID控制原理 | 第59-62页 |
| 5.2.2 仿真实验结果及分析 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 智能仿生腿相位检测与步态控制实验 | 第64-73页 |
| 6.1 仿生腿步态周期相位检测试验研究 | 第64-68页 |
| 6.1.1 智能仿生腿Adams步态仿真实验 | 第64-66页 |
| 6.1.2 实验原理 | 第66-67页 |
| 6.1.3 实验方案设计 | 第67-68页 |
| 6.2 仿生腿步态控制实验研究 | 第68-72页 |
| 6.2.1 假肢侧与健肢侧的膝关节相位映射对比 | 第69页 |
| 6.2.2 仿生腿膝关节控制方案 | 第69-70页 |
| 6.2.3 仿生腿控制实验 | 第70-71页 |
| 6.2.4 实验结果 | 第71-72页 |
| 6.3 本章小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 全文总结 | 第73-74页 |
| 7.2 后续展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
