一、一种基于遗传算法的多类分类器设计方法（论文文献综述）
郝晗[1]（2020）在《基于视觉的物体识别与抓取运动控制技术的研究》文中研究指明随着建立工业4.0与中国制造2025等目标提出,在工业领域结合人工智能技术出现了一系列技术层面上的革新与发展,在工业自动化中,机械手臂极大地推进生产制造的运作,不仅可以解放生产力,而且已完成作业的效率和质量上有一定地保证。本文利用传统的工业自动化生产结合计算机视觉系统,提出了一种基于视觉完成对机械手臂控制的新方式。首先,设计一种新型的形状描述子,主要是通过ESN融合小波矩区域特征和小波描述子轮廓特征完成设计,ESN特征融合后生成的待测样本图像特征向量与数据集样本的图像特征向量通过子特征的相似性测度的方式进行比较,最终使用总相似性测度算法完成待测样本与数据集样本的匹配过程,通过SVM多类分类器完成识别过程,在满足精度要求的前提下,得到的识别结果便是机械臂需要抓取的目标。然后,在笛卡尔空间中,使用插补算法在起始位置与终止位置之间所形成的空间轨迹上获取路径点。并将这些路径点转换到关节空间中,利用三阶B样条函数进行关节轨迹设计。根据任务目标,以时间最优为准则,使用遗传算法轨迹优化策略对待优化关节的关节轨迹进行寻优,当所有关节在相同时间内运动到路径点上时所形成的轨迹即为在笛卡尔空间中设计的期望轨迹。最后,在已搭建的机器人系统平台上使用ABB公司生产的IRB＿120型机械臂实体完成机械臂对工件抓取仿真实验。通过设计串口通信指令的生成的与伺服控制实验以验证理论的正确性。
赵立红[2]（2020）在《基于机器学习的柱塞泵故障诊断方法研究》文中研究表明柱塞泵因其稳定性高和高压高效率等优点,在工业和生产应用中扮演着重要的角色,其工作状态运行好坏对保障设备能否安全运行起着关键作用。然而柱塞泵因结构复杂、持续高速运转等工作特点,在实际工作过程中会出现零件磨损和松靴等故障,造成生产安全事故。因此对柱塞泵进行故障诊断是确保设备安全运行的重要手段,也是保证维修工作精准高效完成的关键一步。传统的柱塞泵故障诊断方法有一定的缺陷,其诊断流程复杂,整体故障诊断效率低,适应性能较差,过于依赖故障特征提取技术和诊断经验,因此其诊断方法准确度有待进一步提高。为了高效、准确地识别出柱塞泵工作状态,本文对机器学习方法在柱塞泵故障诊断中的应用进行了研究。以轴向柱塞泵作为研究对象,设计并搭建了故障试验平台,对各状态振动信号进行分析处理,结合机器学习方法对柱塞泵故障诊断进行了探索研究。研究内容和主要工作如下:（1）对柱塞泵开展其工作原理和结构组成以及常见故障类型机理分析研究,并对四种机器学习算法理论模型进行应用说明;设计柱塞泵故障试验系统;根据试验要求,完成元件选型,传感器安装,试验参数确定以及数据传输通道设置和故障零件制造等准备工作,搭建柱塞泵故障试验平台,完成不同工况的振动信号样本采集工作。（2）对试验采集的柱塞泵不同故障振动信号进行时域特性分析,并针对柱塞泵工作环境嘈杂导致振动信号信噪比较低的现象,选用余弦邻域系数去噪法进行预处理,通过对仿真信号及实测信号去噪前后时域特性的对比分析,验证其有效性。（3）针对柱塞泵故障特征难以提取、诊断准确度不高的问题,提出基于支持向量机（SVM）的典型故障诊断方法。首先通过将试验采集的五种振动信号利用余弦邻域系数去噪法进行预处理,然后经LMD分解后利用相关系数法进行信号重构,进一步去除无关信息,最后利用样本熵进行故障特征提取,构建特征数据集,结合机器学习方法SVM算法对柱塞泵典型故障类型进行分类,诊断准确度达到97.5%以上。通过与KNN算法及BP神经网络算法的分类结果进行对比,证明所提方法具有更高的诊断速度和准确度。通过将原始信号以及重构信号特征数据集输入SVM中进行训练与诊断的结果进行对比,证明重构信号特征提取的优势。（4）针对低负载工况下柱塞泵磨损故障状态诊断准确度不高、诊断流程复杂且适应性较差的问题,提出基于随机森林的磨损故障状态诊断方法。以试验中采集的正常和四种不同程度的滑靴磨损振动信号为诊断对象,首先对其用余弦邻域系数去噪法进行预处理。然后提取时域特征量组成八维特征向量,构建特征数据集。最后结合随机森林算法进行故障诊断,诊断准确度达到99.6%。通过与SVM,KNN以及BP神经网络的分类结果进行对比,证明该方法的高准确度和有效性。通过对不同程度的轴向柱塞泵松靴故障利用所提方法进行诊断,诊断准确度达99.4%以上,证明该方法良好的适应性。
侯代友[3]（2020）在《基于支持向量机的FMS故障诊断研究》文中进行了进一步梳理随着社会的不断发展和消费水平的不断提高,人类对高质量、多品种产品的需求也与日俱增,现如今一些传统的单一化的生产模式已不符合当今制造业的发展理念。柔性制造系统（FMS）作为未来智能制造领域的重要发展分支之一,它可依靠有限的共享资源来实现多样化零部件的生产,代表了21世纪先进的制造业技术。但是在实际的生产过程中,由于柔性制造系统结构的复杂性,故障信息的模糊性和多样性,使其很难体现出制造技术的先进性。因此,开展对FMS故障诊断的研究势在必行。本文在分析FMS故障特点和系统构成的基础上,结合统计学习理论和支持向量机（SVM）理论,提出了一种基于支持向量机的故障诊断方法。论文的主要研究内容如下:（1）根据FMS的系统构成,提出了FMS故障诊断系统框架,通过对FMS进行故障诊断分析,确定了以物流系统和加工系统的故障诊断作为本文的研究重点。（2）针对物流系统的特点,提出了基于遗传算法（GA）优化SVM参数的故障诊断策略。结合支持向量机的相关理论,建立了SVM诊断模型和GA-SVM诊断模型,并通过仿真实验验证了GA-SVM诊断模型的分类性能优于SVM诊断模型的分类性能,极大地提升了物流系统故障诊断的准确率。（3）针对加工系统的特点,提出了基于改进的粒子群算法（PSO）优化SVM参数的故障诊断策略。为避免传统的粒子群算法陷入局部最优解,提出了具有压缩因子及异步学习因子的自适应粒子群算法。用改进后的粒子群算法建立PSO-SVM诊断模型,仿真实验结果表明PSO-SVM诊断模型具有极佳的分类性能,验证了改进后的粒子群算法用于SVM参数优化的可行性和有效性。（4）结合本文建立的诊断模型,利用Matlab和C#混合编程技术设计开发了FMS故障诊断系统。通过展示系统的故障诊断功能,验证了支持向量机算法用于FMS故障诊断的可靠性和FMS故障诊断系统的实用性。
王文华[4]（2019）在《交通数据驱动的道路拥堵状况判定与预测分析》文中研究说明城市化快速发展使大量人口向城市聚集,人们出行产生的交通需求已超过城市道路的交通供给能力,使得交通基础设施出现超负荷现象。而经常性发生的交通堵塞、交通事故、交通污染、乱停车、停车位不足等问题,对居民的生活质量造成严重影响。因此,怎样对道路的交通状态进行实时判定,对道路交通状态进行预测成为研究的主要问题。基于此现状,本文利用设计的KFCM-PSO-SVM算法模型对道路拥堵状态进行准确的划分和判定,并使用改进的支持向量机算法对拥堵判定参数进行预测,在保证建立模型的可行性的前提下,对判别和预测的结果进行改进和提升。研究成果主要有以下几方面:首先,对美国明尼苏达大学交通数据研究实验室采集的原始数据进行处理,因原始数据以.traffic文件形式储存,需通过python程序提取为.csv文件,并对数据进行降噪等预处理,然后通过SPSS软件对数据特性进行分析,最后对交通拥挤概念和类型进行介绍,根据交通流参数的选取原则选择交通参数（车流量和占有率）以及确定评价拥堵等级的指标。其次,通过针对传统聚类算法在道路交通状态判定中存在的不足,对传统聚类算法进行改进。通过实例验证K均值聚类算法对于初始化的聚类中心依赖性很大,所以本文采用间隔统计算法,确定最优的样本数据的初始聚类中心k;考虑到噪声和孤立点对算法的鲁棒性有一定的影响,为了解决此问题,将核函数引入到模糊C均值算法中,引入的核函数为高斯径向基函数,其目的是为了让原始的样本数据映射到特征的空间中。原始的低维样本数据被映射到高维的空间中,将原本的非线性问题因数据被映射到高维空间而转化为线性问题,在本质上将问题变得简单化。虽然在特征空间中,函数的维数很高,但当引入的高斯径向基函数的内积比特征空间中的内积小时,可以提高模型算法的计算速度。本文设计的KFCM-PSO-SVM算法模型的核心主要是利用改进的支持向量机算法对改进的模糊C均值聚类算法进行加强聚类,使对交通状态判定的准确度更加精准;然后跟K-means-PSO-SVM算法和模糊C均值聚类算法、改进的模糊C均值聚类算法的结果进行比较,得到新算法KFCM-PSO-SVM的准确度更高;再者,利用粒子群算法（PSO）优化支持向量机（SVM）对道路拥堵判定参数进行回归预测,并对道路交通状态进行划分。最后,利用处理的数据进行模型验证。结果表明改进的新算法KFCM-PSO-SVM的预测精度比K-means-PSO-SVM算法的预测精度提高了2.4306%,改进算法的准确度较高。
张明[5]（2018）在《基于计算机视觉技术的马铃薯病害识别研究》文中研究说明马铃薯是一种重要的粮菜兼用型农作物,成为继小麦、稻谷和玉米之后的又一主粮,其适应性强、产量高、营养丰富,不仅是世界粮食市场上的一种主要食品,而且也是重要的工业原料,极具开发价值。我国是马铃薯生产的第一大国,甘肃省以其独特的自然资源、农田气候和环境资源,已经成为马铃薯的主要产区之一,种植面积和产量均居全国第一位,促进了全省马铃薯产业的蓬勃发展,是农业增收、企业增效、农民致富的重要途径。我国是一个农业大国,也是一个农业病虫害多发的国家,不仅种类繁多、分布广泛,而且成灾条件复杂。马铃薯病害一直都是制约其可持续发展的主要因素之一,在造成经济损失的同时,还会造成环境污染和食物污染,也会对人类食品安全造成威胁。为了解决马铃薯病害发生严重、产生分散、病虫害专家缺乏等问题,帮助基层技术人员和广大种植用户及时准确地诊断马铃薯病害、把握发生动态、指导开展防控和防治工作,在计算机视觉技术的基础上,结合智能优化算法和深度学习算法,针对马铃薯病害图像的自动识别问题开展了一系列的研究,主要工作如下:（1）分别于2015年和2016年的7月至9月间,在甘肃省马铃薯的主要种植区域定西市的“国家现代化农业示范区马铃薯模式化攻关—定西市安定区香泉镇示范基地”以及定西市的临洮县、康乐县、岷县、渭源县、漳县和陇西县进行马铃薯病害图像的采集工作,重点采集了马铃薯叶部的病害图像。然后采用计算机视觉技术,在Adobe Photoshop CS6 x64简体中文版软件中对采集到的图像进行图像裁剪、调整图像分辨率的预处理,在MathWorks MATLAB R2016a x64简体中文版软件中采用编程的方式进行图像灰度化、灰度图像中值滤波和彩色图像中值滤波的预处理。（2）在研究OTSU阈值分割算法和SFLA智能优化算法的基础上,将OTSU算法简单高效的特点与SFLA算法高效的计算性能、不易陷入局部最优、优良的全局寻优能力、易于实现的特点相结合,首次提出了一种新的基于混合蛙跳算法的OTSU阈值分割算法（OTSU-Shuffled Frog Leaping Algorithm,简称OTSU-SFLA算法）。首先对预处理好的马铃薯病害图像进行灰度化处理并且计算其直方图,然后采用OTSU算法根据直方图对病害图像进行基础分割,最后将OTSU算法的分割结果作为SFLA算法的优化起点,在OTSU算法分割的基础上,利用SFLA算法强大的寻优能力与计算能力做进一步的分割优化,在MathWorks MATLAB R2016a x64简体中文版软件中采用该算法进行编程,从复杂马铃薯病害图像中成功地获取了病斑区域,实现了图像病斑的准确分割。同时,在该算法中首次提出了图像分割紧凑度的概念和具体的计算方法,并且将图像分割紧凑度与交叉熵的加权和作为该算法的适应度函数,在OTSU-SFLA算法中引入该适应度函数后,不仅算法收敛速度快,而且还不易陷入局部最优。（3）在研究人工神经网络和深度学习算法的基础上,充分利用卷积神经网络在计算机视觉方面的优秀性能以及其强大的建模能力、特征学习能力和模式识别能力,基于Caffe开放框架构建了一个13层的基于深度卷积神经网络的马铃薯病害识别模型,由1个输入层、5个卷积层、3个池化层、2个全连接层、1个Softmax层和1个输出层所组成,ReLU函数作为其激活函数,该模型把特征提取直接纳入到模型的学习训练之中,将病害图像的特征提取和分类识别有机地进行了组合。将OTSU-SFLA算法分割之后的二值图像还原为彩色图像,然后将其分成两组样本,一组样本中的每张图像每45度逆时针旋转一次,共旋转7次,在原样本基础上扩大8倍后对模型进行了训练和参数调整;另一组样本对模型进行了识别测试,平均正确率为95.17%,较好地实现了马铃薯病害图像的特征提取和病害识别。
常虹[6]（2018）在《基于多特征融合的人体运动姿态识别技术研究》文中研究表明随着人工智能时代的来临,计算机视觉在人们生活、工作中发挥着越来越重要的作用。人体运动姿态识别作为计算机视觉的热点方向,已广泛应用在视频监控、智能家居、运动分析等诸多领域,然而人体运动姿态的复杂多变,使其在实际应用中存在一定局限性。因此,通过有效特征信息对运动姿态进行准确的描述,是提高人体运动姿态识别效果的关键因素。本文首先在运动目标检测部分对四种经典背景建模方法进行分析研究,通过四种背景建模方法对人体运动视频进行运动目标检测,分析实验结果发现ViBe算法在运动目标检测中运动目标清晰度和算法实时性较好,但当第一帧图像存在运动目标时,易受鬼影影响。针对ViBe算法易出现鬼影问题,本文提出一种结合朗斯基函数的改进ViBe算法,有效解决鬼影问题,减少噪声的干扰,获得较完整清晰的人体运动目标。其次,构建基于多特征融合的运动姿态特征模型。为获得较为丰富的特征信息,本文提出一种基于八星模型、Hu不变矩、Zernike矩、小波矩的多特征融合人体运动姿态特征模型。通过遗传算法对提取到的特征信息进行优化融合,其中以均值方差比为基础构建适应度函数,用以选择在多类别间可分性较好的特征信息。将融合后的特征数据绘制成折线图,发现融合后的特征在减少冗余的同时,保证类间可分性和类内稳定性。此外,通过提取SIFT特征,实现全局和局部特征信息相互补充。最后,考虑深度学习构建分类器需要大量训练样本且对硬件要求较高,K-近邻分类器分类时计算量较大等问题,本文选择在小样本情况下有较好表现的支持向量机作为分类器,采用一对一的方式构建多类分类器,实现人体运动姿态的分类识别。本文选择标准视频库和自建视频库进行实验测试,其中,对测试视频进行预处理,解决了空白视频占用资源的问题。运用本文构建的多类分类器进行人体运动姿态分类识别测试,实验结果表明,基于多特征融合的人体运动姿态识别算法,可有效提高识别准确率,在实际应用中表现较好。
吴少策[7]（2018）在《基于视觉显着性的商标识别》文中研究指明日用商品种类繁多,能否方便快捷地获得商品的相关信息对购买者进行购物决策影响巨大。针对这一问题,对商标图像识别方法进行了深入研究,并设计实现了一个商标识别系统。主要工作如下:1、提出了一种基于视觉显着性的商标图像分割方法。根据对商标图像的显着性分析,提出MLRC显着性检测算法,其在RC算法基础上提出了两点改进:一是将单尺度的RC方法改为多尺度RC方法;二是将多尺度的RC显着图进一步融合多位置先验图。该算法获得的显着图进一步剔除背景冗余信息,使商标更加均匀的凸显出来。实验证明,MLRC算法得到的显着图经过阈值分割等处理后,大多数商标图像分割比较完整。2、提出了一种基于改进遗传算法的多特征选择方法,构造了基于SVM的商标分类器。为了提高识别精度,提取多类型特征来增强特征的表示和区分能力,但同时为了提高识别效率,采用遗传算法进行多特征选择。为了提高该算法中适应度函数的有效性,基于SVM使用K折交叉验证的方法计算分类精度,将其作为计算个体适应度值的主要指标。实验证明,该算法获得的最优特征子集不仅特征维数降低了81维,而且在其基础上构造SVM多类分类器进行商标识别,识别精度提高了1.29%。3、设计实现了一个商标识别系统。系统包括商标图像的采集模块、处理模块、特征处理模块、识别模块等模块,使用C++和Matlab混合编程实现了商标图像的读入、分割、特征提取和选择、识别等功能。
陈欢[8]（2017）在《基于选择性集成最小二乘双支持向量机的变压器故障诊断》文中研究说明电力变压器作为电力系统的核心设备,在电网中担负着变换电压、分配和传输电能的任务,其运行状态的健康与否直接决定着整个电网供电的安全性和可靠性。一旦其发生故障,轻则造成整台变压器停电检修并引起局部停电,重则引起变压器发生爆炸,造成重大的安全事故和经济损失。因此,及时准确地诊断出变压器内部早期故障对电力系统的运行极其重要。在变压器故障诊断领域已经形成了多种智能方法,但是这些智能方法本身都存在着一些缺陷,且单一的智能方法难以建立准确的故障诊断模型。为了进一步提高变压器的故障诊断精度,本文将选择性集成学习思想和最小二乘双支持向量机（Least squares twin support vector machines,LS-TSVM）引入到变压器故障诊断中,并研究基于DGA数据的变压器选择性集成故障诊断方法。首先,分析了变压器不同的故障类型及其产生的原因,然后对油中溶解气体的产生原理进行研究,详细地探讨了变压器内部绝缘材料的产气机理,以及故障气体在油中的溶解过程。此基础上,研究了变压器故障类型与油中气体组分之间的关联性。其次,对最小二乘双支持向量机的分类方法进行了研究,深入研究了最小二乘双支持向量机的基本原理,针对常用的多类分类方法存在的问题,提出采用哈夫曼树构造多类分类模型,并给出了基于哈夫曼树的多类分类器具体构造过程。针对最小二乘双支持向量机的参数选取问题,利用搜索性能较好的鸡群算法（Chicken swarm optimization,CSO）对最小二乘双支持向量机参数进行优化,从而使建立的最小二乘双支持向量机多分类模型的分类性能达到最佳状态。再次,在深入研究选择性集成学习理论的基础上,提出了最小二乘双支持向量机的选择性集成方法。该方法采用最小二乘双支持向量机分类方法作为基分类算法,以Bagging算法为基础构造多个基分类器,采用鸡群算法优化基分类器的权重后,根据预设权重阈值选取基分类器参与集成。通过引入选择性集成学习,可以显着改善最小二乘双支持向量机的分类性能。最后,将选择性集成最小二乘双支持向量机分类方法引入到变压器故障诊断中,并建立了变压器选择性集成故障诊断模型。采用现场变压器DGA数据对模型进行仿真,结果表明,本文方法只需要选取部分基分类器参与集成即可获得较高的故障诊断精度,且与单一最小二乘双支持向量机多分类方法以及SVM方法相比,本文方法的故障诊断精度更高,证明了本文方法在变压器故障诊断中的有效性和实用性。
孙爱芹[9]（2017）在《基于脑电信号的上肢假肢在线控制方法研究》文中指出肢体残缺特别是上肢全部缺失会给患者生活造成极大的不便,严重影响其生活质量。随着人们生活水平的不断提高,截肢患者对假肢的使用要求越来越高,控制自然、具有多自由度的智能化假肢日益成为更多患者的要求。因此,基于脑电、肌电、肌音、运动神经等人体自身仿生信号的假肢控制技术的研究具有重要的理论意义和实用价值,成为当前机器人和生物医学工程等领域的研究热点和前沿课题。但是由于这些信号的采集和识别较为困难,利用这些信号研究控制的假肢的自由度始终较低,且控制的稳定性和实时性较差。本文针对实验室所设计的全臂代偿多自由度上肢假肢结构,选择采用左手、右手、左肩、右肩四类运动想象脑电信号为信息源进行控制,建立了在线BCI假肢系统实验平台,并通过对假肢空间随机目标物体定位和抓取算法的研究,实现了利用四类运动想象脑电信号控制多自由度假肢抓取空间随机位置处物体的目的。针对多自由度上肢假肢的结构和“定点抓取物体”的控制要求,提出了基于左手、右手、左肩、右肩四类运动想象脑电的假肢控制系统的总体结构和在线控制假肢抓取随机目标物体的方法。为了保证信号的采集质量和可靠性,对运动想象脑电信号采集的实验方案及样本数据的筛选进行了讨论。利用AR模型功率谱估计和小波连续变换方法对左手、右手、左肩、右肩四类运动想象脑电的ERD/ERS特征分布情况进行了分析,结果表明,左、右肩运动想象也能引发不同的ERD/ERS现象,同一侧的手部与肩部运动想象引发的ERD/ERS现象的导联及频带分布存在一定的差异,左手、右手、左肩、右肩四类运动想象脑电之间具有可分性。在此基础上,深入研究了基于小波分析的ERD/ERS特征和相位同步化特征的提取算法。提出并设计了结合小波连续变换和公共空间模式进行ERD/ERS特征提取的方法,对其中时段、导联、频率的联合选择问题进行了探讨。为了进一步提高对四类运动想象分类的正确率,以保证由其对假肢控制的实时性,采用ERD/ERS特征和相位同步化特征结合进行分类,结果表明,两种特征的结合对改善左右手、左右肩四类运动想象之间的分类性能效果明显。针对左手、右手、左肩、右肩四类运动想象脑电的分类识别,对基于PNN和基于SVM的四类分类器分别进行了研究。根据两种算法各自的分类原理和特点,对其分类策略进行了选择,设计了相应的四类分类器,并对其中的参数进行了优化;为了获得更高的分类准确率,针对两种算法分别对其多分类器的融合进行了研究。研发了基于运动想象的假肢在线BCI系统软件平台,实现了通过想象左、右手及左、右肩运动实时控制假肢抓取物体的目标及要求。利用该平台也可进行运动想象脑电的离线采集与分析。该平台可对信号采集方案与识别算法中的多个参数进行灵活选择与设置,并且,针对受试者之间存在的个体差异性,对各参数可依受试者的不同进行个性化设计。研究了多自由度假肢空间内随机目标物体的定位和抓取算法。将机器人控制原理引入假肢控制中,在对多自由度假肢进行运动学建模的基础上,设计了通过在假肢佩戴者头肩部设置激光测距传感器和姿态传感器进行假肢空间内随机目标物体定位的方法;针对所获取目标物体位姿信息不完整的问题,提出了基于空间遍历思想和BP神经网络的假肢关节空间参数求解方法,实际应用表明,该方法具有较好的求解效果,能保证假肢以合适的位姿运行至目标物体处进行抓取。
邹丽,蒋芸,陈娜,沈健,胡学伟,李志磊[10]（2016）在《基于决策树对支持向量机的医学图像分类新方法》文中提出针对传统对支持向量机多类分类算法（Multi-TWSVM）中出现的模糊性问题,提出了一种基于遗传算法的决策树对支持向量机（GA-DTTSVM）多类分类算法。GA-DTTSVM用遗传算法对特征数据建立决策树,通过构建决策树可以分离样本的模糊区域,提高模糊区域样本的识别率。在决策树的每个节点上用对支持向量机（TWSVM）训练分类器,最后用训练的分类器进行分类和预测。实验结果表明,与决策树对支持向量机（DTTSVM）多类分类算法以及Multi-TWSVM相比,GA-DTTSVM多类分类算法具有较高的分类精度和较快的训练速度。
二、一种基于遗传算法的多类分类器设计方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种基于遗传算法的多类分类器设计方法（论文提纲范文）
（1）基于视觉的物体识别与抓取运动控制技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外视觉机器人研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 物体识别与机械臂轨迹规划相关技术 |
| 2.1 物体识别 |
| 2.1.1 特征描述 |
| 2.1.2 图像相似性测度 |
| 2.1.3 图像分类 |
| 2.2 机械臂轨迹规划 |
| 2.2.1 机械臂轨迹规划模型 |
| 2.2.2 机械臂轨迹规划技术 |
| 2.3 本章小结 |
| 第三章 基于形状描述子的物体识别方法 |
| 3.1 形状描述子设计 |
| 3.1.1 小波矩特征提取 |
| 3.1.2 小波描述子提取 |
| 3.1.3 ESN特征融合 |
| 3.2 物体图像匹配 |
| 3.3 实验结果比较 |
| 3.3.1 实验数据与实验环境 |
| 3.3.2 实验过程与结果 |
| 3.4 本章小结 |
| 第四章 基于时间最优的机械臂运动轨迹优化 |
| 4.1 机械臂运动学分析 |
| 4.2 机械臂运动轨迹设计 |
| 4.3 遗传算法轨迹优化策略 |
| 4.3.1 构造目标函数 |
| 4.3.2 约束条件 |
| 4.3.3 遗传算法轨迹优化设计 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第五章 基于视觉的机械臂抓取控制运动实验 |
| 5.1 基于视觉的机械臂抓取运动控制方案 |
| 5.2 机械臂伺服控制硬件平台 |
| 5.2.1 机械臂与抓取工具的选取 |
| 5.2.2 IO板 |
| 5.3 仿真实验 |
| 5.3.1 搭建机械臂工作平台 |
| 5.3.2 Rapid控制指令 |
| 5.3.3 仿真实验结果 |
| 5.4 实体抓取实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读学位论文期间主要成果 |
| 致谢 |
（2）基于机器学习的柱塞泵故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 故障诊断技术发展及研究现状 |
| 1.2.1 信号获取 |
| 1.2.2 构造故障特征集 |
| 1.2.3 智能故障识别 |
| 1.3 柱塞泵故障诊断技术研究现状 |
| 1.4 论文主要研究内容 |
| 第二章 柱塞泵结构机理与机器学习方法及理论研究 |
| 2.1 柱塞泵概述 |
| 2.2 轴向柱塞泵常见故障类型 |
| 2.2.1 配流盘磨损 |
| 2.2.2 柱塞磨损 |
| 2.2.3 滑靴磨损 |
| 2.2.4 松靴 |
| 2.3 A10VSO45型柱塞泵概述 |
| 2.4 机器学习故障诊断方法及理论 |
| 2.4.1 K-近邻算法(KNN) |
| 2.4.2 BP神经网络 |
| 2.4.3 支持向量机(SVM) |
| 2.4.4 随机森林 |
| 2.5 本章小结 |
| 第三章 柱塞泵故障试验与信号预处理 |
| 3.1 柱塞泵故障试验原理及系统设计 |
| 3.2 柱塞泵故障试验平台的搭建 |
| 3.2.1 故障模拟 |
| 3.2.2 加速度传感器安装位置选取 |
| 3.2.3 试验台参数设定及搭建与信号采集 |
| 3.3 基于余弦邻域系数去噪理论及信号预处理 |
| 3.3.1 余弦邻域系数法(CNC) |
| 3.3.2 仿真信号CNC去噪分析 |
| 3.3.3 试验信号CNC去噪分析 |
| 3.4 本章小结 |
| 第四章 基于支持向量机的柱塞泵典型故障诊断 |
| 4.1 特征提取方法理论 |
| 4.1.1 局部均值分解(LMD)原理 |
| 4.1.2 样本熵 |
| 4.2 轴向柱塞泵典型故障特征提取 |
| 4.2.1 故障信号分解与重构 |
| 4.2.2 样本熵参数选择 |
| 4.2.3 故障特征提取 |
| 4.3 故障诊断与对比分析 |
| 4.3.1 SVM多类分类器的构建 |
| 4.3.2 轴向柱塞泵典型故障诊断 |
| 4.3.3 对比分析 |
| 4.4 本章小结 |
| 第五章 基于随机森林的柱塞泵磨损故障状态诊断 |
| 5.1 柱塞泵滑靴磨损状态振动信号分析 |
| 5.2 柱塞泵故障特征量的提取 |
| 5.3 随机森林参数确定 |
| 5.4 故障识别与对比分析 |
| 5.4.1 柱塞泵故障状态诊断 |
| 5.4.2 对比分析 |
| 5.5 诊断方法验证 |
| 5.6 本章小结 |
| 第六章 结论 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）基于支持向量机的FMS故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 FMS故障特征及故障诊断方法 |
| 1.2.1 FMS故障特征 |
| 1.2.2 故障诊断方法 |
| 1.3 支持向量机的发展史与研究现状 |
| 1.3.1 支持向量机的发展史 |
| 1.3.2 支持向量机在故障诊断中的国内外研究现状 |
| 1.4 论文的主要研究内容 |
| 第二章 FMS故障诊断体系研究 |
| 2.1 FMS概述 |
| 2.1.1 FMS的特点 |
| 2.1.2 FMS的组成 |
| 2.2 FMS故障诊断系统框架 |
| 2.2.1 FMS故障诊断分析 |
| 2.2.2 FMS故障诊断系统的组成 |
| 2.2.3 FMS故障诊断的关键技术 |
| 2.3 本章小结 |
| 第三章 基于GA优化SVM的物流系统故障诊断 |
| 3.1 支持向量机相关理论 |
| 3.1.1 多类分类器的构造 |
| 3.1.2 核函数的选取 |
| 3.2 物流系统常见故障及原因 |
| 3.3 基于SVM的物流系统故障诊断 |
| 3.3.1 故障数据样本 |
| 3.3.2 故障诊断步骤 |
| 3.3.3 SVM诊断模型的建立 |
| 3.3.4 仿真结果及分析 |
| 3.4 支持向量机参数优化思想 |
| 3.5 基于GA优化SVM参数的故障诊断 |
| 3.5.1 遗传算法概述 |
| 3.5.2 遗传算法优化SVM参数的流程 |
| 3.5.3 GA-SVM诊断模型的建立 |
| 3.5.4 仿真结果及分析 |
| 3.6 本章小结 |
| 第四章 基于改进PSO优化SVM的加工系统故障诊断 |
| 4.1 加工系统常见故障及原因 |
| 4.2 故障数据样本 |
| 4.3 基于改进PSO优化SVM参数的故障诊断 |
| 4.3.1 粒子群算法原理 |
| 4.3.2 改进粒子群算法的设计 |
| 4.3.3 改进粒子群算法优化SVM参数的流程 |
| 4.3.4 PSO-SVM诊断模型的建立 |
| 4.3.5 仿真结果及分析 |
| 4.4 本章小结 |
| 第五章 FMS故障诊断系统实现 |
| 5.1 引言 |
| 5.2 基于Matlab和 C#的FMS故障诊断系统开发 |
| 5.2.1 Matlab和 C#简介 |
| 5.2.2 Matlab和 C#混合编程 |
| 5.3 FMS故障诊断系统的功能模块设计与实现 |
| 5.3.1 系统的功能模块 |
| 5.3.2 系统的界面设计 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）交通数据驱动的道路拥堵状况判定与预测分析（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外道路交通状态判别方法的研究现状 |
| 1.2.2 国内外对优化算法研究的现状 |
| 1.3 研究的主要内容和组织结构 |
| 1.3.1 研究的主要内容 |
| 1.3.2 论文的技术路线 |
| 2 相关算法和理论模型 |
| 2.1 支持向量机(SVM) |
| 2.1.1 支持向量机的应用 |
| 2.1.2 支持向量机的有序风险最小化思想 |
| 2.1.3 多类支持向量机 |
| 2.2 聚类 |
| 2.3 粒子群算法 |
| 2.4 本章小结 |
| 3 交通流数据预处理与拥堵状态特性分析 |
| 3.1 数据来源 |
| 3.2 交通流数据预处理 |
| 3.2.1 错误数据处理 |
| 3.2.2 丢失数据处理 |
| 3.2.3 数据降噪处理 |
| 3.2.4 数据归一化与反归一化 |
| 3.3 交通流特性分析 |
| 3.4 交通拥挤的概念和类型 |
| 3.4.1 交通拥挤的概念 |
| 3.4.2 交通拥挤的类型 |
| 3.5 交通流参数选取及选取原则 |
| 3.5.1 交通流参数选取 |
| 3.5.2 交通流参数选取原则 |
| 3.6 评价拥堵等级的指标 |
| 3.7 本章小结 |
| 4 道路交通状态判别与预测方法模型的构建 |
| 4.1 模糊C均值聚类(FCM) |
| 4.2 间隔统计算法 |
| 4.3 核模糊C均值聚类(KFCM) |
| 4.4 支持向量机最优分类面与核函数的选取 |
| 4.5 支持向量机核函数选择 |
| 4.6 优化支持向量机的参数 |
| 4.7 算法设计 |
| 4.8 本章小结 |
| 5 道路交通状态判别与预测的实现及实例验证 |
| 5.1 模型算法的实现 |
| 5.2 实例验证的结果分析 |
| 5.2.1 判定结果分析 |
| 5.2.2 预测结果分析 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 主要研究结果 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于计算机视觉技术的马铃薯病害识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 研究目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 本文的结构安排 |
| 第二章 文献综述 |
| 2.1 国外研究进展 |
| 2.2 国内研究进展 |
| 2.3 存在的主要问题 |
| 第三章 马铃薯病害图像采集和预处理 |
| 3.1 马铃薯病害图像采集 |
| 3.1.1 采集对象介绍 |
| 3.1.2 图像采集 |
| 3.2 试验环境说明 |
| 3.3 马铃薯病害图像预处理 |
| 3.3.1 图像裁剪 |
| 3.3.2 调整图像分辨率 |
| 3.3.3 图像灰度化 |
| 3.3.4 图像滤波 |
| 第四章 马铃薯病害图像病斑分割 |
| 4.1 图像分割算法 |
| 4.2 OTSU-SFLA算法的提出 |
| 4.3 OTSU算法 |
| 4.3.1 OTSU算法的基本思想 |
| 4.3.2 OTSU算法的基本原理 |
| 4.4 SFLA算法 |
| 4.4.1 SFLA算法的基本思想 |
| 4.4.2 SFLA算法的基本原理 |
| 4.5 OTSU-SFLA算法实现马铃薯病害图像分割 |
| 4.5.1 马铃薯病害图像灰度化 |
| 4.5.2 马铃薯病害图像中值滤波 |
| 4.5.3 计算马铃薯病害图像的直方图 |
| 4.5.4 马铃薯病害图像OTSU算法基础分割 |
| 4.5.5 马铃薯病害图像OTSU-SFLA算法实现分割优化 |
| 第五章 马铃薯病害图像特征提取与病害识别 |
| 5.1 病害图像特征提取技术 |
| 5.2 病害图像识别技术 |
| 5.3 卷积神经网络 |
| 5.3.1 人工神经网络 |
| 5.3.2 卷积神经网络 |
| 5.4 基于卷积神经网络的马铃薯病害图像特征提取和病害识别 |
| 5.4.1 设计马铃薯病害图像特征提取和病害识别的结构 |
| 5.4.2 设计马铃薯病害图像特征提取和病害识别的各层功能 |
| 5.4.3 马铃薯病害图像特征提取和病害识别的激活函数 |
| 5.4.4 实现马铃薯病害图像特征提取和病害识别的框架 |
| 第六章 系统及模型训练和识别的可靠性测试 |
| 6.1 系统及模型训练 |
| 6.1.1 马铃薯病害图像样本的来源和选取 |
| 6.1.2 马铃薯图像病斑分割之后图像彩色化还原 |
| 6.1.3 系统及模型的训练 |
| 6.2 马铃薯病害识别的可靠性测试 |
| 第七章 结论与讨论 |
| 7.1 结论 |
| 7.2 讨论 |
| 7.2.1 创新点 |
| 7.2.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
| 导师简介 |
（6）基于多特征融合的人体运动姿态识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容及章节安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文章节安排 |
| 第二章 人体运动姿态识别关键技术分析 |
| 2.1 运动姿态获取技术 |
| 2.2 人体运动姿态特征提取技术 |
| 2.2.1 人体运动姿态特征提取技术分类 |
| 2.2.2 人体运动姿态特征的融合 |
| 2.3 人体运动姿态识别技术 |
| 2.4 人体运动姿态识别技术难点 |
| 2.5 本章小结 |
| 第三章 运动目标检测算法研究 |
| 3.1 常见背景建模算法 |
| 3.1.1 平均背景模型 |
| 3.1.2 混合高斯分布模型 |
| 3.1.3 CodeBook背景模型 |
| 3.1.4 Vi Be背景模型 |
| 3.1.5 运动目标检测结果比较 |
| 3.2 结合朗斯基函数的改进Vi Be算法 |
| 3.2.1 朗斯基函数 |
| 3.2.2 种子填充算法 |
| 3.2.3 改进算法流程 |
| 3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于多特征融合的人体运动姿态特征提取 |
| 4.1 运动姿态特征的描述 |
| 4.2 图像预处理 |
| 4.3 运动姿态多特征的提取 |
| 4.3.1 八星模型 |
| 4.3.2 Hu—不变矩 |
| 4.3.3 Zernike矩 |
| 4.3.4 小波矩 |
| 4.3.5 特征数据分析 |
| 4.4 特征融合优化 |
| 4.4.1 基于遗传算法的特征融合 |
| 4.4.2 特征融合优化及结果 |
| 4.5 局部特征的提取 |
| 4.5.1 SIFT特征 |
| 4.5.2 视觉词袋模型 |
| 4.6 本章小结 |
| 第五章 基于支持向量机的多特征融合人体姿态识别 |
| 5.1 支持向量机 |
| 5.1.1 统计学习理论 |
| 5.1.2 支持向量机 |
| 5.2 基于支持向量机的人体运动姿态识别模型 |
| 5.3 实验结果分析 |
| 5.3.1 实验环境和数据 |
| 5.3.2 测试视频预处理 |
| 5.3.3 标准实验库结果与分析 |
| 5.3.4 自建实验库结果与分析 |
| 5.4 本章小结 |
| 第六章 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（7）基于视觉显着性的商标识别（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 商标简介 |
| 1.2.2 商标识别研究现状 |
| 1.3 研究目的 |
| 1.3.1 应用场景 |
| 1.3.2 主要问题 |
| 1.3.3 实现目标 |
| 1.4 研究内容 |
| 1.5 文章组织结构 |
| 第2章 相关理论与技术 |
| 2.1 图像下采样 |
| 2.2 视觉显着性 |
| 2.2.1 视觉注意机制 |
| 2.2.2 视觉显着性检测算法 |
| 2.3 图像分割 |
| 2.3.1 图像分割概念 |
| 2.3.2 阈值分割 |
| 2.4 图像特征表示 |
| 2.4.1 特征提取 |
| 2.4.2 特征选择 |
| 2.5 分类器 |
| 2.6 本章小结 |
| 第3章 基于视觉显着性的商标图像分割 |
| 3.1 问题分析 |
| 3.2 基于视觉显着性的商标图像分割方法 |
| 3.3 MLRC显着性检测算法 |
| 3.3.1 MLRC算法框架 |
| 3.3.2 MLRC算法描述 |
| 3.3.3 实验结果与分析 |
| 3.4 商标图像的显着图分割 |
| 3.4.1 分割算法框架 |
| 3.4.2 分割算法描述 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 商标图像识别 |
| 4.1 多类型特征提取 |
| 4.2 基于改进遗传算法的多特征选择 |
| 4.2.1 算法框架 |
| 4.2.2 算法描述 |
| 4.2.3 实验结果与分析 |
| 4.3 基于多类SVM分类器的商标图像识别 |
| 4.3.1 构造多类SVM分类器 |
| 4.3.2 商标图像识别 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 商标识别系统的设计与实现 |
| 5.1 系统设计 |
| 5.2 系统实现 |
| 5.3 商标图像集的制备 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
（8）基于选择性集成最小二乘双支持向量机的变压器故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统方法 |
| 1.2.2 人工智能方法 |
| 1.3 论文的主要研究内容 |
| 2 电力变压器故障与油中溶解气体关系分析 |
| 2.1 变压器常见故障类型分析 |
| 2.2 变压器油中溶解气体产生机理 |
| 2.2.1 变压器油分解产气机理 |
| 2.2.2 固体绝缘材料分解产气机理 |
| 2.2.3 气体在变压器油中的溶解 |
| 2.3 变压器油中溶解气体含量分析 |
| 2.3.1 正常变压器油中溶解气体含量分析 |
| 2.3.2 热性故障时油中溶解气体含量分析 |
| 2.3.3 放电性故障油中溶解气体含量分析 |
| 2.4 本章小结 |
| 3 最小二乘双支持向量机分类方法研究 |
| 3.1 双支持向量机基本原理 |
| 3.1.1 线性TSVM |
| 3.1.2 非线性TSVM |
| 3.2 最小二乘双支持向量机基本原理 |
| 3.2.1 线性LS-TSVM |
| 3.2.2 非线性LS-TSVM |
| 3.3 LS-TSVM多类分类方法研究 |
| 3.3.1 常用的多类分类方法 |
| 3.3.2 哈夫曼树分类方法 |
| 3.4 LS-TSVM参数选取 |
| 3.4.1 鸡群算法概述 |
| 3.4.2 鸡群算法基本原理 |
| 3.4.3 鸡群算法优化LS-TSVM参数 |
| 3.5 本章小结 |
| 4 选择性集成LS-TSVM分类方法的研究 |
| 4.1 集成学习理论 |
| 4.1.1 集成学习的基本概念 |
| 4.1.2 基分类器的构造 |
| 4.1.3 基分类器的组合 |
| 4.2 集成学习算法 |
| 4.2.1 Bagging算法 |
| 4.2.2 Boosting算法 |
| 4.2.3 两种算法的比较 |
| 4.3 选择性集成理论 |
| 4.3.1 选择性集成的提出 |
| 4.3.2 选择性集成的理论依据 |
| 4.3.3 选择性集成算法描述 |
| 4.3.4 常用的选择性集成策略 |
| 4.4 选择性集成LS-TSVM |
| 4.4.1 基本思想 |
| 4.4.2 算法描述 |
| 4.5 算法验证 |
| 4.6 本章小结 |
| 5 基于选择性集成LS-TSVM的变压器故障诊断研究 |
| 5.1 特征量选取与故障类型确立 |
| 5.1.1 特征量选取 |
| 5.1.2 故障类型确立 |
| 5.2 故障数据的搜集与预处理 |
| 5.2.1 数据的搜集与整理 |
| 5.2.2 数据归一化 |
| 5.3 基于选择性集成LS-TSVM的变压器故障诊断模型 |
| 5.4 实例分析 |
| 5.4.1 构建多类分类模型 |
| 5.4.2 模型训练及实验结果分析 |
| 5.4.3 不同方法对比 |
| 5.4.4 典型案例分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的科研成果 |
| 致谢 |
（9）基于脑电信号的上肢假肢在线控制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本章小结 |
| 2 基于运动想象脑电的假肢控制系统总体方案 |
| 2.1 运动想象脑电的基础机理 |
| 2.2 假肢脑电控制系统总体方案 |
| 2.3 运动想象脑电采集实验方案 |
| 2.4 本章小结 |
| 3 四类运动想象脑电的ERD/ERS特征分析 |
| 3.1 ERD/ERS特征的量化与分析方法 |
| 3.2 基于AR模型功率谱估计的ERD/ERS特征分析 |
| 3.3 基于连续小波变换的ERD/ERS特征分析 |
| 3.4 本章小结 |
| 4 四类运动想象脑电的特征提取与结合 |
| 4.1 基于连续小波变换的ERD/ERS特征提取 |
| 4.2 基于连续小波变换和CSP联合的ERD/ERS特征提取 |
| 4.3 相位同步化特征提取及与ERD/ERS特征的结合 |
| 4.4 本章小结 |
| 5 四类运动想象脑电的分类算法 |
| 5.1 分类策略 |
| 5.2 基于概率神经网络的四类运动想象脑电分类 |
| 5.3 基于支持向量机的四类运动想象脑电分类 |
| 5.4 本章小结 |
| 6 假肢在线BCI平台开发 |
| 6.1 平台的结构与功能 |
| 6.2 平台编程的相关技术问题 |
| 6.3 在线实验 |
| 6.4 本章小结 |
| 7 空间目标抓取算法 |
| 7.1 假肢运动学建模 |
| 7.2 空间目标定位方法 |
| 7.3 关节空间参数求解 |
| 7.4 本章小结 |
| 8 结论与展望 |
| 8.1 全文总结 |
| 8.2 主要创新点 |
| 8.3 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间从事科学研究及发表论文情况 |
| 学位论文数据集 |
四、一种基于遗传算法的多类分类器设计方法（论文参考文献）
- [1]基于视觉的物体识别与抓取运动控制技术的研究[D]. 郝晗. 湖南工业大学, 2020(02)
- [2]基于机器学习的柱塞泵故障诊断方法研究[D]. 赵立红. 太原理工大学, 2020(07)
- [3]基于支持向量机的FMS故障诊断研究[D]. 侯代友. 长安大学, 2020(08)
- [4]交通数据驱动的道路拥堵状况判定与预测分析[D]. 王文华. 北京交通大学, 2019(01)
- [5]基于计算机视觉技术的马铃薯病害识别研究[D]. 张明. 甘肃农业大学, 2018(02)
- [6]基于多特征融合的人体运动姿态识别技术研究[D]. 常虹. 河北工业大学, 2018(07)
- [7]基于视觉显着性的商标识别[D]. 吴少策. 河北大学, 2018(01)
- [8]基于选择性集成最小二乘双支持向量机的变压器故障诊断[D]. 陈欢. 武汉大学, 2017(06)
- [9]基于脑电信号的上肢假肢在线控制方法研究[D]. 孙爱芹. 山东科技大学, 2017(03)
- [10]基于决策树对支持向量机的医学图像分类新方法[J]. 邹丽,蒋芸,陈娜,沈健,胡学伟,李志磊. 计算机工程与应用, 2016(21)