| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究的意义和背景 | 第9-10页 |
| 1.2 国内外研究概况 | 第10-12页 |
| 1.2.1 国外发展概况 | 第11页 |
| 1.2.2 国内发展概况 | 第11-12页 |
| 1.3 本论文的主要研究内容 | 第12-15页 |
| 第二章 下肢运动信息采集与处理 | 第15-41页 |
| 2.1 典型下肢运动步态 | 第15-18页 |
| 2.1.1 下肢步态周期 | 第15-17页 |
| 2.1.2 人体轴面划分 | 第17-18页 |
| 2.2 Vicon MX 系统信号的采集与处理 | 第18-26页 |
| 2.2.1 实验方案设计 | 第18-20页 |
| 2.2.2 Vicon 信号的预处理 | 第20-22页 |
| 2.2.3 特征值的提取与筛选 | 第22-26页 |
| 2.2.3.1 特征值的提取 | 第22-23页 |
| 2.2.3.2 特征值的筛选 | 第23-26页 |
| 2.3 传感器系统信号的采集与处理 | 第26-39页 |
| 2.3.1 实验方案设计 | 第26-29页 |
| 2.3.2 传感器信号的预处理及特征值提取 | 第29-34页 |
| 2.3.2.1 传感器信号的特点 | 第29-30页 |
| 2.3.2.2 信号的滤波 | 第30-32页 |
| 2.3.2.3 足底压力信号处理 | 第32-33页 |
| 2.3.2.4 对比髋关节角度 | 第33-34页 |
| 2.3.3 特征值的提取与筛选 | 第34-39页 |
| 2.3.3.1 特征值的提取 | 第34-35页 |
| 2.3.3.2 特征值的筛选 | 第35-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第三章 概率神经网络(PNN) | 第41-53页 |
| 3.1 神经网络概述 | 第41-44页 |
| 3.1.1 神经网络基本概念 | 第41-42页 |
| 3.1.2 神经网络发展 | 第42-43页 |
| 3.1.3 神经网络特点 | 第43-44页 |
| 3.2 概率神经网络模型及结构 | 第44-50页 |
| 3.2.1 PNN 的网络结构 | 第44-45页 |
| 3.2.2 隐含层的神经元模型 | 第45-47页 |
| 3.2.3 输出层模型 | 第47-48页 |
| 3.2.4 PNN 的 MATLAB 实现 | 第48-49页 |
| 3.2.5 PNN 与 RBFNN、BPNN 的区别 | 第49-50页 |
| 3.3 本章小结 | 第50-53页 |
| 第四章 基于概率神经网络的步态识别 | 第53-71页 |
| 4.1 对 Vicon MX 系统数据进行识别 | 第53-54页 |
| 4.1.1 步态识别分析 | 第53-54页 |
| 4.1.2 结论 | 第54页 |
| 4.2 PNN 与 BPNN、RBFNN 的步态识别对比 | 第54-59页 |
| 4.2.1 PNN 与 BPNN 的步态识别对比 | 第54-57页 |
| 4.2.2 PNN 与 RBFNN 的步态识别对比 | 第57-59页 |
| 4.2.3 对比结论 | 第59页 |
| 4.3 改进 PNN 结构 | 第59-61页 |
| 4.3.1 先验变量与 PNN 结合识别 | 第59-60页 |
| 4.3.2 双 PNN 结构识别 | 第60-61页 |
| 4.4 对传感器系统数据进行识别 | 第61-66页 |
| 4.4.1 PNN 网络的识别 | 第61-62页 |
| 4.4.2 先验变量与 PNN 结合的识别 | 第62-63页 |
| 4.4.3 双 PNN 结构的网络训练与识别 | 第63-65页 |
| 4.4.4 结论 | 第65-66页 |
| 4.5 利用 VR Builder 模拟多路况人体下肢运动 | 第66-69页 |
| 4.5.1 虚拟现实工具箱概述 | 第66页 |
| 4.5.2 识别结果的仿真 | 第66-69页 |
| 4.6 本章小结 | 第69-71页 |
| 第五章 结论 | 第71-75页 |
| 5.1 论文完成的主要工作 | 第71-72页 |
| 5.2 论文创新点 | 第72页 |
| 5.3 工作展望 | 第72-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 攻读学位期间所获得的相关科研成果 | 第81页 |
