| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 地面分类的国内外研究现状 | 第12-14页 |
| 1.2.1 地面特征提取国内外研究现状 | 第12-13页 |
| 1.2.2 地面分类算法国内外研究现状 | 第13-14页 |
| 1.3 支持向量机与k-近邻法研究现状 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第2章 实验数据采集 | 第18-30页 |
| 2.1 移动机器人 | 第18-20页 |
| 2.1.1 机械结构 | 第18-19页 |
| 2.1.2 控制系统 | 第19-20页 |
| 2.2 采集系统 | 第20-22页 |
| 2.3 数据采集实验 | 第22-26页 |
| 2.3.1 实验方案设计 | 第22页 |
| 2.3.2 实验地面与条件 | 第22-23页 |
| 2.3.3 实验操作 | 第23-26页 |
| 2.4 实验数据预处理 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 地面特征提取 | 第30-46页 |
| 3.1 小波分析 | 第30-33页 |
| 3.1.1 多分辨率分析 | 第30-32页 |
| 3.1.2 小波包分析 | 第32-33页 |
| 3.2 基于小波包主成分的地面特征提取 | 第33-42页 |
| 3.2.1 基于小波包主成分的特征提取方法 | 第33页 |
| 3.2.2 基于小波包主成分的特征提取步骤 | 第33-34页 |
| 3.2.3 基于小波包主成分的地面特征 | 第34-42页 |
| 3.2.4 基于小波包主成分的地面特征提取方法的可行性 | 第42页 |
| 3.3 基于小波包对数能量熵的地面特征提取 | 第42-45页 |
| 3.3.1 基于小波包对数能量熵的特征提取方法 | 第42-43页 |
| 3.3.2 基于小波包对数能量熵的特征提取步骤 | 第43页 |
| 3.3.3 基于小波包对数能量熵的地面特征 | 第43页 |
| 3.3.4 基于小波包对数能量熵的地面特征提取方法可行性 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于支持向量机与k-近邻法联合的地面分类 | 第46-76页 |
| 4.1 支持向量机 | 第46-47页 |
| 4.2 用于分类的支持向量机 | 第47-51页 |
| 4.2.1 线性支持向量机 | 第47-48页 |
| 4.2.2 非线性支持向量机 | 第48-49页 |
| 4.2.3 多分类支持向量机 | 第49-51页 |
| 4.3 基于kNN的地面分类 | 第51-59页 |
| 4.3.1 kNN算法 | 第51-52页 |
| 4.3.2 基于kNN的地面分类算法 | 第52-53页 |
| 4.3.3 基于小波包主成分与kNN的地面分类 | 第53-56页 |
| 4.3.4 基于小波包对数能量熵与kNN的地面分类 | 第56-59页 |
| 4.4 一对一SVM与kNN联合分类 | 第59-65页 |
| 4.4.1 一对一SVM与kNN联合分类算法 | 第59-60页 |
| 4.4.2 基于小波包主成分与一对一SVM-kNN的地面分类 | 第60-62页 |
| 4.4.3 基于小波包对数能量熵与一对一SVM-kNN的地面分类 | 第62-65页 |
| 4.5 有向无环图SVM与kNN联合分类 | 第65-71页 |
| 4.5.1 DAGSVM与kNN联合分类算法 | 第65-66页 |
| 4.5.2 基于小波包主成分与DAGSVM-kNN的地面分类 | 第66-69页 |
| 4.5.3 基于小波包对数能量熵与DAGSVM-kNN的地面分类 | 第69-71页 |
| 4.6 分类结果比较与分析 | 第71-73页 |
| 4.6.1 分类结果的比较 | 第71-72页 |
| 4.6.2 不同特征分类结果的分析 | 第72-73页 |
| 4.6.3 不同分类方法分类结果的分析 | 第73页 |
| 4.7 本章小结 | 第73-76页 |
| 结论 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第82-83页 |
| 致谢 | 第83页 |
