基于支持向量机的外骨骼机器人灵敏度放大控制

为了准确控制外骨骼机器人跟随人体运动,需要建立其动态、精确的数学模型;人体下肢外骨骼是一个多自由度、强耦合以及非线性的多连杆系统,难以建立准确的运动学和动力学模型;文章使用三维运动捕捉与空间定位系统,获取实际人体运动参数(运动学与动力学),应用支持向量机(SVM)学习人体下肢外骨骼的数学模型;基于该模型构造基于支持向量机模型的灵敏度放大控制方法;文章使用MATLAB和LIBSVM建立外骨骼下肢机器人的数学模型,并进行仿真分析;仿真结果表明基于SVM的模型学习方法,能够准确计算出人体下肢外骨骼的动力学模型,并简化建模过程;基于SVM的灵敏度放大控制,能够有效计算出人体下肢外骨骼各关节(髋关节、膝关节、踝关节)的输出力矩,并控制外骨骼机器人跟随人体运动。     

人体下肢运动光纤带感知方法研究

外骨骼机器人实质上是一种可穿戴机器人,它将人的智能与外部机械能量结合在一起,可以给人提供额外的动力或能力,增强人体机能。在军事、康复医疗等领域有着巨大的应用价值和广阔的市场前景,也是国内外竞相研究的热点。为实现下肢外骨骼机器人与人体协调运动,首先需要实时的感知人体下肢的运动,并对运动进行模式识别,进而才有可能达到对下肢外骨骼机器人的实时控制的目的。本文对用于下肢外骨骼机器人控制的人体下肢运动光纤感知方法进行研究,在对人体下肢运动步态进行分析研究的基础上,提出了利用光纤测量下肢关节角度、利用分形理论对测得的下肢角度数据进行特征提取,并采用支持向量机对步态特征向量进行分类的识别方法。实验结果表明,该方法具有较高的识别性能,能够分辨出人体行走、跑、上斜坡和下斜坡、下蹲和起立等6种运动模式,且当核半径为0.4,惩罚因子为45时,识别率可达95%。     

基于DMFC的上肢外骨骼人—机协调控制系统

上肢外骨骼人—机协调控制系统中的一个关键问题是直角坐标系中的力信号转换成联合坐标系中力矩,该过程中奇点几乎一直存在;为了解决这个问题,提出了一种基于动态模型力控制器(dynamic model of force control,DMFC)的控制系统;利用阻尼最小二乘法处理负载,转矩补偿负载质量,避免了奇异性;在外骨骼的末端执行器处安装力传感器用于测量外骨骼和负载之间的力,通过相互作用力自动反映使用者的运动意图;实验结果表明,提出的控制系统具有非常好的稳定性和可负载性,当施加负载补偿时,不附加任何物体与附加5公斤对象的外骨骼末端执行器位置之间的稳态误差可减小至0.01 μm以下,完全满足起吊重物的上肢外骨骼需求。     

基于LS-SVM的图像去噪方法

支持向量机是一种基于统计学习理论的机器学习方法，该方法已广泛用于解决分类问题和回归问题。文中将最小二乘支持向量机应用于图像去噪中，并同小波去噪及中值滤波进行了比较分析。仿真结果表明，该方法能较好的保存图像细节，并具有很好的泛化能力。     

士兵可穿戴下肢外骨骼机器人多元感知方法研究

下肢外骨骼机器人是一种可穿戴且融合了多种机器人技术的复杂人-机系统。它将人类的智慧与机器人强壮的能力有效地结合起来,最大限度地提高人体的机动力和耐力,这为提升单兵作战系统的能力创造了条件。鉴于下肢外骨骼机器人在作战、后勤保障时可能遇到的复杂地形、多变随机的任务等,仅通过基于既定的典型步态规划程序驱动执行已知的特定动作,难以保证人机间的耦合性和动作的高随意性切换。为此,模拟并提炼出士兵常见的六种下肢动作作为后续研究,然后分析了下肢外骨骼机器人的感知控制原理,并提出了基于脑电预判感知、肌电精确感知和光纤实时校正的多信息融合的感知方法,强调将人的智能参与到机器人控制中,以期推进士兵可穿戴下肢外骨骼机器人的实用化。     

人体下肢外骨骼机器人的发展及关键技术分析

下肢外骨骼机器人具有增强人体机能和辅助下肢康复训练的功能,在军事和医疗领域具有很好的发展前景,逐渐成为机器人领域的研究热点。本文分别介绍了增强人体机能的下肢外骨骼机器人和医疗下肢外骨骼机器人的国内外最新研究现状,概括并分析了与之相关的关键技术,探讨了下肢外骨骼机器人的今后发展方向。     

基于Wiener模型的传感器动态非线性辨识研究

针对实际测量中传感器存在较大非线性的缺点,提出利用改进型Wiener模型描述传感器动态非线性模型;将Wiener模型的动态线性环节和静态非线性环节分别利用Laguerre函数和最小二乘支持向量机进行辨识,最终实现传感器模型的建立;通过仿真实验验证比较不同方法的辨识误差与速度,最终结果表明该方法在非线性动态传感器模型辨识方面具有明显的速度和精度优势。     

一种模拟电路的支持向量机故障诊断方法

系统地提出了模拟电路的最小二乘小波支持向量机故障诊断方法。从测试点得到各种故障状态下的输出电压信号，对输出电压信号进行小波去噪，对信号进行小波分解获取多尺度的低频系数和高频系数，并对小波系数进行处理从而提取出故障特征量，以此作为学习样本来训练最小二乘小波支持向量机，确定其模拟电路故障诊断的模型。雷达系统电路仿真结果表明了模拟电路的小波变换和最小二乘小波支持向量机故障诊断方法取得了较好的效果。     

基于小波变换和LS-SVM的雷达故障诊断

根据雷达接收机信号特点,提出了将小波变换和最小二乘支持向量机相结合的雷达故障诊断新方法.首先,根据专家经验选取电路中恰当的测试点,运用小波变换对采样数据进行处理和特征提取,然后建立了雷达故障诊断模型.最后再运用最小二乘支持向量机(LS-SVM)的基本原理和分类方法进行故障诊断,并在某型雷达接收机故障诊断中进行了实际应用研究.采样信号先经过小波降噪处理,以减少采样引人的误差,再进行小波分解提取能量系数作为雷达的故障特征向量,经归一化处理后,作为输入向量,经诊断模型输出后完成雷达接收机典型故障的诊断.MATLAB实例仿真结果表明,该方法有很好的分类能力,提高了雷达故障诊断的正确性和效率.     

最小二乘小波支持向量机的DNA序列分类方法

目前使用的已有SVM核函数,在分类中不能逼近某一L₂（R）（平方可积空间）子空间上的任意分类界面。针对上述问题,在支持向量机的核函数方法和小波框架理论的基础上,提出了LS-WSVM结构模型。实验结果表明,和标准的SVM和LS-SVM比较起来,在同等条件下,LS-WSVM在分类方面具有优良的特征提取性能。     

融合小波变换与贝叶斯LS SVM的网络流量预测*

为了提高网络流量预测的精度,研究了一种融合小波变换与贝叶斯LSSVM的网络流量预测方法。首先将原始流量数据时间序列进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上;对各个重构后的序列分别用最小二乘支持向量机进行预测,将贝叶斯证据框架应用于最小二乘支持向量机模型参数的选择;将各个预测结果重构后得到对原始序列的预测结果。对比实验表明,该模型不仅具有较快的运行速度,而且具有较高的预测精度。     

基于小波核LS—SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义。支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题。介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力。通过对实测网络流量数据的学习,对未来网络流量进行预测。实验结果表明,取得了较好的预测效果。     

基于小波核LS-SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义.支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题.介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力.通过对实测网络流量数据的学习,对未来网络流量进行预测.实验结果表明,取得了较好的预测效果.     

下肢康复外骨骼机器人模糊PID控制研究与仿真

下肢康复外骨骼机器人具有多输入多输出的结构,且不确定性与非线性都很高,经典PID控制已经不能很好地进行精确控制。结合经典PID控制与模糊控制,并加入了开关结构,最终采用开关式模糊PID控制来对机器人进行控制研究。使用ADAMS（Automatic Dynamic Analysis of Mechanical Systems）建立机器人模型,在Matlab/Simulink中建立控制图。驱动输入采用正常人体步态行走时的力矩信息,通过两个软件的联合仿真,得到跟随曲线与目标曲线的对比图及误差图。结果表明,开关式模糊PID控制具有良好的精度且响应速度较快。     

一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10~(-9)~10~(-7)%之间,其拟合性能明显优于常规方法。     

基于小波包分析和LS-SVM的柴油机故障诊断方法

针对某柴油机检测样本小,难以准确估计故障的状况,提出了一种基于小波包分析和最小二乘支持向量机的柴油机故障诊断方法;利用小波包分析对柴油机缸盖振动提取频谱能量并对干扰信号进行处理,从而获得故障征兆样本集;由于柴油机故障的征兆样本集有限性,提出了采用最小二乘支持向量机分类方法构建柴油机故障分类器;结果表明,经过小波处理过后的振动信号再经过LS-SVM辨识网络训练,能够准确地诊断和预测故障。     

一种下肢外骨骼机器人随动控制算法的研究

随动控制算法对下肢外骨骼机器人的助力效果起着决定性的作用。根据零力控制算法及下肢外骨骼机器人的运动特点,提出了一种末端随动控制算法,并给出了算法推导过程。最后通过Matlab仿真验证了该算法的有效性。     

下肢外骨骼机器人动态建模与步态跟踪LQR控制

针对下肢外骨骼机器人步态轨迹与参考轨迹存在较大跟踪误差的问题,提出一种线性二次型调节器(LQR)控制方法来取代常规PD控制.根据牛顿-欧拉方程和系统参数辨识,建立人机一体化的下肢外骨骼机器人系统的动态模型,并进行LQR控制参数设计和稳定性分析.仿真和实验结果表明,基于LQR控制的下肢外骨骼机器人能很好地跟踪步态参考轨迹...     

一种使用机器学习方法的数字水印算法

针对目前数字水印算法存在的不足,本文将离散小波变换和奇异值分解相结合,提出了一种基于机器学习的图像数字水印算法.首先将载体图像进行一级小波变换,提取其低频子带图像对其进行4×4分块处理,然后对每一分块进行奇异值分解后嵌入水印,并提取特征向量用于最小二乘支持向量机的训练,训练好的最小二乘支持向量机用于自适应最大水印嵌入强...     

基于改进鲸鱼优化算法的外骨骼机器人步态检测

针对传统的外骨骼机器人步态检测算法中的信息单一化、准确率低、易陷入局部最优等问题，提出基于改进鲸鱼算法优化的支持向量机（IWOA-SVM）的外骨骼机器人步态检测算法，即在鲸鱼优化算法（WOA）中引入遗传算法（GA）的选择、交叉、变异操作，进而去优化支持向量机（SVM）的惩罚因子与核参数，再使用参数优化后的SVM建立分类模型，从而扩大算法的搜索范围，减小算法陷入局部最优的概率。首先，使用混合传感技术采集步态数据，即通过足底压力传感器和膝关节、髋关节角度传感器采集外骨骼机器人的运动数据，并作为步态检测系统的输入；然后，使用门限法对步态相位进行划分并标记标签；最后，将足底压力信号与髋关节、膝关节角度信号融合作为输入，使用IWOA-SVM算法完成对步态的检测。对6个标准测试函数进行仿真实验，并与GA、粒子群优化（PSO）算法、WOA进行比较，数值实验表明，改进鲸鱼优化算法（IWOA）的鲁棒性、寻优精度、收敛速度均优于其他优化算法。通过分析不同穿戴者的步态检测结果发现，准确率可达98.8%，验证了所提算法在新一代外骨骼机器人中的可行性和实用性，并与基于遗传优化算法的支持向量机（GA-SVM）、基于粒子群优化算法的支持向量机（PSO-SVM）、基于鲸鱼优化算法的支持向量机（WOA-SVM）算法进行比较，结果表明，该算法识别准确率分别提高了5.33%、2.70%、1.44%，能够对外骨骼机器人的步态进行有效检测，进而实现外骨骼机器人的精确控制及稳定行走。