改进AR模型特征提取及分类

目前,表面肌电信号（sEMG）是手势动作识别研究的重要信号源.本文以肌电信号为对象,从非平稳与非线性的角度出发,采用ICA独立成分分析和经验模式分解的方法,消除表面肌电信号中的工频干扰,对处理后的信号建立AR模型.将模型系数作为信号的特征,对6种手势动作进行模式识别.实验表明,该方法获得的特征具有较好的分类效果.     

基于改进概率神经网络的手势动作识别

为寻找一种快速且高识别率的手势识别方法,提出一种基于改进的概率神经网络手势识别算法。该算法采用K-W检验方法实现sEMG（Surface-Myoelectrogram Gestures）的特征选择,利用粒子群优化方法对传播率参数进行优化。在7种手部姿势识别的实验中,该算法平均正确识别率均在90%以上,而传统BP算法的正确率仅为85.7%。仿真实验结果表明,改进的概率神经网络算法具有更短的训练时间和更强的分类能力。     

虚拟仿生手联合仿真研究

根据目前康复医学工程对人们生活的重要意义,以智能假肢为研究对象,将 Adams 软件和 Matlab/ Simulink 相结合搭建仿生模型,采用模糊 PID 控制算法对仿生手模型进行分析,减少实际假肢物理样机设计过程中不必要的物资和时间耗费,提高设计效率。仿真实验表明,虚拟仿生手具有较好的跟踪能力,能够稳定的完成相应手势动作。     

神经元的几何形态分类

为了对不同神经元进行区分,采用L—Measure软件对神经元的几何形态进行特征提取,通过主成分分析对提取的特征降维进行处理。采用概率神经网络、BP（Back Propagation）神经网络和模糊分类器组成的分类器“投票”,对锥体神经元、普肯野神经元、运动神经元、感觉神经元、双级神经元、三级神经元和多级神经元7种神经元进行分类。实验证明,3种分类器组合分类的效果比其中任意一种分类器的效果都好,识别率更高。     

参数自适应模糊PID算法研究

至今,自适应控制已发展了30余年,其相关理论和应用已越来越成熟。随着计算机尤其是微处理机的发展,自适应控制的条件已变得越来越完善,并得到了广泛的应用。通过自适应控制不仅可以使许多复杂控制问题得到有效解决,还能够使系统跟踪精度及稳态精度得到大幅提高。