基于主成分分析法和核主成分分析法的机器人全域性能综合评价

在机器人运动学和动力学性能评价中, 表示机器人运动学和动力学性能的指标众多, 全域性能指标是其中一项重要的评价指标, 而全域性能指标又包括:线速度全域性能指标、角速度全域性能指标等指标.不同指标间往往存在不同程度的相关性, 其中有些相关性非常显著, 这使它们提供的信息有可能发生重叠.引入统计学原理, 依据线性降维与非线性降维原则, 应用主成分分析法 (principal component analysis, PCA) 和核主成分分析法 (kernel principal component analysis, KPCA) 对不同尺度的PUMA560机器人的全域性能进行综合评价, 从而选择综合全域性能最优的机器人.计算结果表明:KPCA方法较PCA方法有更好的降维效果, 能够更有效地处理多个单一性指标间的非线性关系, 提供更多的综合全域性能评价信息, 可为建立机器人综合全域性能与其尺度之间的数值计算关系, 为基于综合全域性能指标最佳尺度选取的研究提供科学的参考依据.     

多指多关节机器人柔性手的机构组成研究

多指多关节机器人柔性手因能改善现有夹持器的不足而受关注。本文首先分析了手指与物体间的接触效应,并选取有摩擦点接触作为研究前提。在柔性手既能完全约束物体又能给予被抓物体任意小运动的条件下,分析综合出15种可行的柔性手机构组成方案。     

平面机构分析与尺度综合方法的选择

利用计算机绘图软件和编程软件应用,对平面机构分析与尺度综合方法的选择进行了探讨.介绍了根据具体情况选择何种方法既方便快捷,又能保证平面机构分析与尺度综合的精度,供从事机械设计与研究的同行参考.     

串联机构运动分析的D-H四元数变换方法

提出了串联机构运动分析的Denavit-Hartenberg(D-H)四元数变换方法. 给出了点的映射的四元数描述方法和相邻连杆间变换的D-H四元数变换方法,建立了D-H四元数变换的矩阵演算方法,构造出了机器人学中经典的D-H齐次变换矩阵,证明了D-H四元数变换方法与D-H齐次变换矩阵方法的运动分析结果是一致的,从而从理论上证明了所提出的D-H四元数变换方法的正确性. 在相邻连杆变换的D-H四元数变换公式基础上进一步推广,提出了任意个连杆的串联机构运动分析的D-H四元数变换方法. 以PUMA机器人的运动分析为实例,采用D-H四元数变换方法进行运动分析,并验证了该方法的正确性和有效性. D-H四元数变换方法是串联机构运动分析的一种新方法,具有几何意义明确和计算简单的优点.     

机构可动性分析及其最优综合应用

本文研究了平面机构的可动性及共在机械中的最优综合运用。     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

基于核主成分分析的特征提取方法

为了证实核主成分分析在特征提取中的优越性,利用支持向量机作为分类器,以主成分分析和核主成分分析作为特征提取的工具,以分类器的分类性能作为方案优劣的评判标准设计了六种实验方案进行实验分析。实验数据表明,对特征选择后的数据集利用主成分分析和核主成分分析进行特征提取,可将数据投影到一个更低维的特征空间,实现数据维数的约简和分类器性能的提高。同时还发现,在对数据进行特征提取的能力上,核主成分分析优于主成分分析。     

Application of Task-Oriented Method of Serial Robot for Mechanism Analysis and Evaluation

Revealing the relations among robotic comprehensive performance, configuration, scales and working tasks is the basis to optimize robotic mechanism. Due to the correlation and diversity of the single performance indexes, statistical principles of linear dimension reduction and nonlinear dimension reduction are introduced into comprehensive performance analysis and evaluation for typical serial robot. The robotic mechanism＇ s configuration, scales and task with the best comprehensive performance can be obtained by principal component analysis （PCA） and kernel principal component analysis （KPCA） respectively. The results show that KPCA can reveal the nonlinear relations among different single performance indexes more effectively and provide more comprehensive performance information than PCA. Thus, task-oriented method of serial robot for mechanism analysis and evaluation is proposed, which also provides scientific research basis for the mechanism synthesis and optimmn task order.     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

一种基于数值逼近的KPCA改进算法

核方法广泛应用于模式识别等领域,但其存在着特征抽取效率和样本集的大小成反比的瓶颈问题.因此提出一种基于数值逼近的方法确定虚拟样本矢量,以此代替训练样本,提高KPCA(Kernel Principle Component Analysis)特征抽取效率.在确定虚拟样本矢量时,只需将样本矢量的初值设定为随机变量,算法实现简单、高效.在基准数据集上的实验结果显示该算法优于同类算法.     

一种基于KPCA与小波变换的遥感图像融合算法

通过对HSV变换与小波变换图像融合方法的研究,提出了一种新的基于KPCA与小波变换的遥感图像融合的方法：通过KPCA变换,在保留主要信息的前提下除去波段之间的冗余数据,减少处理的数据量以提高融合的效率;由KPCA变换统计分析选择最优波段合成新的彩色图像,再与增强处理后的全色图像进行融合。实验结果证明该方法具有较好的融合效果。     

疲劳对驾驶员感知判断及操作特性的影响

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram, EEG)提出了一种驾驶疲劳状态识别方法. 首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证. 然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis, KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine, SVM),构建了驾驶员疲劳状态识别模型. 最后,采用30名驾驶员连续驾驶2h的脑电数据,对该模型方法进行试算. 试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.

     

基于EEG的驾驶疲劳识别算法及其有效性验证

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram,EEG)提出了一种驾驶疲劳状态识别方法.首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证.然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis,KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine,SVM),构建了驾驶员疲劳状态识别模型.最后,采用30名驾驶员连续驾驶2 h的脑电数据,对该模型方法进行试算.试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.     

主元分析法在浅层实时探测中的应用

超宽带脉冲体制探地雷达探测浅层目标一般以图象的形式给出结果,对探测人员读图能力要求较高,探测者的主观因素对分析结果影响较大;浅层目标体积小,埋设浅,回波比直达波的幅度小且容易与直达波混叠。基于这种雷达提出采用PCA算法计算能量分布变化曲线来检测浅层地下目标的存在,实现声音实时报警。这种方法在纯净和复杂环境下均具有较好的识别能力和报警效果。实验结果表明,PCA算法能够较准确的检测到浅层地下预埋目标的存在并实时报警,对今后浅层地下目标探测有一定指导意义。     

基于核主元分析和模式匹配的非线性性能监控和故障诊断

利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。由于KPCA方法具有较好的非线性特性提取能力,因此首先利用KPCA法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控与故障诊断中的有效性。     

基于KPCA的多频极化SAR图像信息压缩和噪声抑制

多频极化SAR图像不同的波段和极化方向上存在着冗余信息和相干斑噪声。为此,提出了一种基于核主分量分析(KPCA)的多频率多极化SAR图像信息压缩和抑噪方法。KPCA通过利用"核技巧",对线性PCA进行了非线性的推广。对NASA/JPL 3个波段的多极化SAR图像实验结果表明,相对于线性PCA,KPCA具有更好的信息提取、压缩和噪声抑制作用。