基于自主学习的移动机器人质心偏移控制策略
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·选题背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·国外情况 | 第10-11页 |
| ·国内情况 | 第11页 |
| ·本文主要研究内容 | 第11-13页 |
| 2 自主式的机器学习 | 第13-24页 |
| ·机器学习概述 | 第13-14页 |
| ·机器学习系统的基本结构 | 第14-16页 |
| ·环境与学习环节 | 第14-15页 |
| ·知识库 | 第15-16页 |
| ·执行环节 | 第16页 |
| ·机器学习的主要算法 | 第16-19页 |
| ·机械式学习 | 第16页 |
| ·归纳学习 | 第16-17页 |
| ·解释学习 | 第17-18页 |
| ·基于神经网络的学习 | 第18页 |
| ·基于遗传算法的学习 | 第18-19页 |
| ·自主学习 | 第19-21页 |
| ·自主学习的基本概念 | 第19-21页 |
| ·自主学习特征 | 第21页 |
| ·自主学习算法 | 第21-22页 |
| ·基于样本的不确定性方法 | 第21页 |
| ·询问专家委员会的方法 | 第21-22页 |
| ·版本空间和边缘的方法 | 第22页 |
| ·统计的方法 | 第22页 |
| ·自主学习机器人系统 | 第22-24页 |
| 3 基于支持向量机的自主学习 | 第24-37页 |
| ·统计学习理论 | 第24-26页 |
| ·VC维 | 第24-25页 |
| ·推广性的界 | 第25页 |
| ·结构风险最小化 | 第25-26页 |
| ·支持向量机基础 | 第26-28页 |
| ·支持向量机的提出 | 第26页 |
| ·支持向量机基本思想 | 第26-28页 |
| ·支持向量机原理 | 第28-33页 |
| ·线性支持向量机 | 第28-30页 |
| ·非线性支持向量机 | 第30-32页 |
| ·核函数的选择 | 第32-33页 |
| ·支持向量机的应用 | 第33-37页 |
| ·支持向量机回归算法 | 第33-35页 |
| ·多类支持向量机算法 | 第35-37页 |
| 4 基于聚类分析的增量式支持向量机学习策略 | 第37-47页 |
| ·聚类分析 | 第37-40页 |
| ·基本概念 | 第37-39页 |
| ·常用的聚类方法 | 第39-40页 |
| ·基于聚类分析的增量式支持向量机学习策略 | 第40-47页 |
| ·学习策略的提出以及研究意义 | 第40-41页 |
| ·学习策略描述 | 第41-43页 |
| ·学习策略的实现方法 | 第43-45页 |
| ·实验结果 | 第45-47页 |
| 5 质心偏移时机器人的控制模型及牵引力分配优化 | 第47-55页 |
| ·问题的提出 | 第47页 |
| ·质心偏移模型的建立 | 第47-50页 |
| ·运动学模型 | 第48-49页 |
| ·动力学模型 | 第49-50页 |
| ·质心的确定 | 第50页 |
| ·机器人质心偏移时的牵引力分配 | 第50-52页 |
| ·电机出力非线性问题 | 第50-51页 |
| ·利用线性规划的方法优化电机出力分配 | 第51-52页 |
| ·仿真实验及结果分析 | 第52-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-62页 |
