基于sEMG和GRNN的手部输出力估计

针对智能肌电假手力控制的需要,提出一种基于表面肌电信号(s EMG)和广义回归神经网络(GRNN)的手部输出力估计方法。首先在介绍实验平台的基础上详细描述了肌电信号的采集和特征提取方法以及广义回归神经网络的构建;然后,通过在手臂8个不同部位粘贴肌电传感器来检测手部动作过程中的肌电信号;同时为了全面测量人手在三维空间中的输出力,采用三维力传感器对手部的输出力进行测量;在同步获得手臂上的多通道肌电信号(X)和手部三维力推拉信号(F)后,对采集得到肌电信号进行了特征提取得到特征矩阵X_F;将X_F和F用于构建GRNN网络,并用均方差和残差绝对值均值对手部输出力的估计结果进行评估。为验证该方法的有效性,进行了实验验证,结果表明,该方法能够很好地利用sEMG对手部的输出力进行估计。     

基于磁场刺激与神经网络肌电信号的模式识别

针对表面肌电(SEMG)信号的非平稳特性,采用bior3.1小波对在磁场刺激下从掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌四块肌肉上采集的四路表面肌电信号进行了分析,并用小波变换方法提取其肌电信号的特征,构成特征矢量,输入Elman神经网络分类器进行模式识别,经过训练能够成功地识别出握拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋八种运动模式.实验表明,该方法识别率高,为肌电信号的模式识别提出了一种基于磁场刺激的新方法.     

用肌电信号实时控制虚拟机械手臂

研究了利用肌电信号来实时控制机械手的运动。采集人体上肢在垂直面上做屈伸运动时的肱二头肌和肱三头肌的肌电信号及关节角度信号,将经过处理的肌电信号和时间信号输入到一个神经网络预测器来预测关节角度。将预测的关节角度作为虚拟机械手的控制信号,控制机械手做与人相同的运动。试验结果显示,机械手的运动轨迹与人的上肢肘关节角轨迹的最大均方差小于2°,且具有很强的相关性,实现了肌电信号控制虚拟机械手的动画显示。     

基于小波包分析和Elman网络的肌电信号处理

提出了一种基于小波包变化和Elman神经网络的表面肌电信号特征提取和模式识别方法.在对表面肌电信号进行预处理的基础上,提出了以小波包变换各频段的能量来构造特征值,以该特征值作为训练样本输入Elman神经网络进行网络训练,构筑手部动作分类器,训练完成的分类器可完成伸腕、屈腕、展拳和握拳等4种手部动作模式的识别.实验结果表明,与其他分析方法比较,该方法不仅识别率高,鲁棒性好,同时也为其他非平稳生理信号分析提供了新方法.     

空域相关滤波在下肢表面肌电信号中的应用

针对消噪过程中信号细节难以保留的问题,采用了一种基于小波变换的空域相关消噪方法。通过运用信号小波分解后与噪声的小波系数随尺度变化规律不同的特性,实现了信号与噪声的分离,同时给出了表面肌电信号噪声能量阈值的估计算法。实验结果表明,该消噪处理方法不仅能有效地去除肌电信号中的噪声,而且可以较好地保留肌电信号的边缘特征,为下肢表面肌电信号特征的提取创造了良好的条件。     

小波分析用于磁场刺激诱发肌电信号的实时检测

肌电信号是在皮肤表面记录下来的神经和肌肉的系统活动时的生物电信号 ,有很好的临床价值。文章着重介绍应用小波分析中的奇异点探测理论 ,对磁场刺激下的诱发肌电信号进行分析 ,实时地提取磁场刺激的诱发肌电信号特征。验证了小波分析理论在分析非平稳的随机信号的优越性 ,是信号分析的又一有力工具。     

基于长短时记忆和卷积神经网络的手势肌电识别研究

用表面肌电进行手势识别具有细节信息可选择性和抗外界干扰能力强的优势,但现有方法的适应性和识别准确性还不足.通过在卷积神经网络的基础上增加长短时记忆网络处理层,构筑手势识别模型,它能捕获手势动作过程的肌电时序特征,一定程度上减少了过拟合的现象.利用手势肌电丰富的时频域信息,提取手势肌电的小波包特征图像,并与手势肌电图像一...     

基于Matlab的6种上肢动作肌电信号识别

表面肌电(surface eIectromyogram,sEMG)信号的去噪处理和特征提取的效果好坏直接关系到识别的准确率.以获得较高的识别准确率为目标,对肌电信号的去噪处理和特征提取展开研究.先对表面肌电信号进行小波阈值去噪;再分别运用时域、频域和时频分析对去噪后的信号进行特征提取;最后利用BP神经网络对肌电信号进行...     

广义回归神经网络(GRNN)在AMT挡位判别中的应用

通过分析传统方法研究AMT换档规律存在的问题和神经网络在不能获得精确数学模型的非线性系统中能达到最优控制的特性以及在线学习的能力等,提出基于广义回归神经网络(GRNN)进行AMT的换档规律的研究,并针对某4档轿车机械自动变速器,建立该车自动变速两个参数(车速、油门开度)神经网络控制模型,运用Matlab软件进行换档过程的仿真分析.研究结果表明:利用GRNN研究AMT的换档规律过程简单、适应性强等,能够正确有效地进行车辆档位判别.     

基于BP网络的肌电信号的特征提取及在机械手中的应用

采用了AR模型理论及数据方差的计算方法对肌电信号进行了特征提取,并利用BP神经网络对三种不同的肌电信号进行了分析与特征识别,结果显示,本方法能精确地识别出对这三种不同动作指令的响应,这对进一步研究智能型机械手指运动提供了可能。     

基于表面肌电信号的前臂手部多运动模式识别

基于表面肌电信号的肢体运动模式识别是假手仿生控制的基础，SEMG的个体差异与识别率是肌电假手实用化必须面对的问题。本文根据SEMG的频谱特性提出了一种新的特征提取方法——功率谱比值法。该方法的主要特点是以实时取得的SEMG功率谱信号为基础，确定最大功率谱附近的谱能量与全信号段谱能量之比为特征值，将人的个体差异影响降低到最低程度。模式分类器采用特别设计的Bayes统计决策算法，该方法在非特定人的条件下应用于前臂肌群的多运动模式识别时，识别正确率达到84％，已具备一定的实用性。     

基于广义回归神经网络的弹丸落点预报方法

为快速精确地预报弹丸落点,提出了基于一种广义回归神经网络的弹丸落点预报方法。首先,建立了 GRNN 网络落点预报模型;其次,采用粒子群算法对预报模型中的光滑因子进行了优化,得到了最佳的 GRNN 网络的落点预报模型;最后,对该预报模型进行数值仿真。结果表明,该方法预报射程的最大误差不超过40 m,横偏误差不超过0.2 m;且预报落点的平均时间为6.645 ms,与数值积分法相比,减少了1300.623 ms。因此,该方法快速精确地预报弹丸落点是有效可行的,可作为工程实际应用的理论参考。     

基于 IDRSN-BiLSTM 的铣削加工表面粗糙度预测方法

针对传统的表面粗糙度预测方法过度依赖人工提取特征以及预测精度较低的问题,提出一种基于 Inception 模块改进 的深度残差收缩网络( IDRSN) 和双向长短时记忆网络(BiLSTM) 的表面粗糙度预测方法。 首先,利用深度残差收缩网络 (DRSN)中软阈值化结构和注意力机制对输入信号进行降噪处理。 其次,引入 Inception 模块构建 IDRSN 以提升网络的多尺度 信息获取能力,实现自适应多尺度特征提取。 然后,引入反向长短期记忆(LSTM)构建 BiLSTM 预测网络,利用正反两个 LSTM 提高网络捕捉历史和未来完整信息的能力。 最后,进行实验验证,分别对比 IDRSN、DRSN、BiLSTM 和人工提取特征 4 种方法的 提取特征效果,以及 BiLSTM、卷积神经网络(CNN)、DRSN 和 CNN-LSTM 4 种表面粗糙度预测模型的预测精度。 结果表明所提 方法具有较高的预测精度,为铣削加工表面粗糙度预测奠定了方法基础。     

基于双流卷积神经网络的肌电信号手势识别方法

面向高性能的肌电控制系统,提出一种基于双流卷积神经网络的肌电信号手势识别方法,其从原始表面肌电信号中提取离散小波变换系数,与原始表面肌电信号分别作为双流卷积神经网络两个分支的输入进行高层特征学习,最终通过一个高层特征融合模块对两个分支学习得到的高层特征进行融合.所提方法在3个包含50～52类手势动作表面肌电信号的大规模...     

基于人工神经网络的超声加工表面粗糙度预测

利用BP神经网络良好的非线性映射能力,建立了普通珩磨和超声珩磨条件下的磨削表面粗糙度预测模型,经过多次网络训练,得到了具有良好性能的BP神经网络。对超声珩磨加工钕铁硼材料表面粗糙度进行了预测,并取得了理想的预测结果。     

基于 CATIA的自由曲面重构以及应用

利用CATIA强大的自由曲面设计的功能特点，结合颅骨修复实例探讨了CATIA在曲面重构方面的新应用。     

基于小样本预测模型在机械工程上的应用

为预测短期内机械生产实验的数据分布规律,以更好地指导生产和提高工作效率,充分利用计算机模拟研究的优势,基于金属切削工艺加工的部分实验数据,利用线形回归模型、灰色模型和神经网络模型对实验数据进行了分析处理并建立了小样本数据的综合预测模型。研究结果表明小样本预测模型是可行的,它对机械工程各种相关实验数据的短期预测都具有普遍适用性,同时提供了可以快速了解数据在未来分布规律的方法。     

基于再制造的表面强化技术在修复机械零件表面缺陷中的应用

介绍了在修复机械零件表面缺陷中常用的几种表面强化技术,并通过几个实际应用例子说明了各种表面强化技术的使用情况。     

基于模糊粗糙集的模具成本预测方法

汽车冲压模具种类繁多、结构复杂,影响其价格的因素多,难以准确估算成本,导致报价难度大。为此,应用模糊数学理论,将模糊贴近度和指数平滑预测相结合构建模具成本预测模型,为减少应用模糊数学进行模具相似性判断的主观因素,提出结合粗糙集理论计算模糊贴近度的方法。该方法首先根据模具成本信息数据库进行知识分类,构建模具成本信息决策表,应用粗糙集属性重要度对模具特征集合各元素进行客观权重分配,然后根据专家评判的主观权重与客观权重综合确定模具特征集合各元素的综合权重,从而提高预测精度。另外,考虑到模具各特征因素对其价格的影响程度不同,对模具成本预测中的调整系数λ的经验公式进行了改进,使其更加合理。通过一组模具样本实例验证了该方法的可靠性和合理性。