| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-14页 |
| ·研究背景及意义 | 第10页 |
| ·机器人障碍识别方法的研究现状 | 第10-12页 |
| ·论文的主要研究内容 | 第12页 |
| ·论文的结构安排 | 第12-14页 |
| 第2章 系统简介 | 第14-17页 |
| ·输电线路除冰机器人工作原理 | 第14-15页 |
| ·基于视觉的除冰机器人障碍识别系统 | 第15-16页 |
| ·小结 | 第16-17页 |
| 第3章 障碍物图像的处理 | 第17-20页 |
| ·视觉图像预处理 | 第17-18页 |
| ·小波模极大值边缘提取算法 | 第18-19页 |
| ·小结 | 第19-20页 |
| 第4章 障碍物图像特征的构造 | 第20-25页 |
| ·矩特征的一般表达式 | 第20页 |
| ·相对矩的构造 | 第20-22页 |
| ·小波矩的构造 | 第22-24页 |
| ·特征的优化 | 第24页 |
| ·小结 | 第24-25页 |
| 第5章 基于神经网络的障碍物智能识别 | 第25-46页 |
| ·矩特征数据及其归一化 | 第25-29页 |
| ·矩特征数据 | 第25-29页 |
| ·矩特征归一化 | 第29页 |
| ·多层前向BP神经网络识别方法 | 第29-33页 |
| ·BP神经网络 | 第29-31页 |
| ·实验结果 | 第31-33页 |
| ·基于BP算法的小波神经网络识别方法 | 第33-37页 |
| ·小波神经网络 | 第33-35页 |
| ·实验结果 | 第35-37页 |
| ·基于粒子群优化的小波神经网络识别方法 | 第37-41页 |
| ·粒子群算法 | 第37-39页 |
| ·实验结果 | 第39-41页 |
| ·基于改进粒子群优化的小波神经网络识别方法 | 第41-45页 |
| ·模拟退火思想 | 第41-42页 |
| ·实验结果 | 第42-45页 |
| ·小结 | 第45-46页 |
| 第6章 基于支持向量机的障碍物智能识别 | 第46-66页 |
| ·支持向量机障碍物识别方法 | 第46-53页 |
| ·支持向量机两类的分类原理 | 第47-50页 |
| ·支持向量机多类的分类原理 | 第50-52页 |
| ·基于网格搜索和交叉验证的参数优化 | 第52-53页 |
| ·实验结果 | 第53页 |
| ·基于粒子群优化算法的支持向量机障碍物识别方法 | 第53-58页 |
| ·基于粒子群和交叉验证的参数优化 | 第56页 |
| ·实验结果 | 第56-58页 |
| ·基于FastICA独立分量分析的支持向量机障碍识别方法 | 第58-65页 |
| ·FastICA独立分量分析 | 第59-61页 |
| ·实验结果 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第74页 |