基于计算机视觉的手势识别康复系统研究与应用

针对目前医学上手部康复治疗的康复器械功能单一,训练过程动作反复且枯燥无趣,恢复过程比较缓慢等问题,提出了一种基于计算机视觉的手势识别康复系统;首先介绍了图像采集、分割、平滑处理、分类、识别等计算机视觉关键技术,其次,重点阐述了手势康复系统的实现细节;通过摄像头采集不同年龄,性别人群手势样本数据,建立康复手势数据库,利用计算机视觉,卷积神经网络,PyQt图形界面等技术来构建康复系统,给出具有趣味性并且高效便利的康复训练方案,治疗方法弥补传统康复治疗的缺陷;实验结果表明,系统运行可靠、准确率高达96％,不但可以提高患者对康复训练的兴趣,积极性,而且价格相对于其他康复器械更加低廉,应用前景更广阔.     

基于非线性GA算法的MFF透射模型的参数辨识与优化

基于磁性流体(MF)磁链理论,建立了磁流体薄膜(MFF)传感模型,并通过Monte Carlo法分析了MF透射特性,建立了MFF透射模型。采用非线性遗传算法(GA)对MFF透射模型进行了参数辨识,分析了种群规模、进化代数、交叉率、变异率等参数选值对算法运行结果的影响,并选取了最佳参数组合,搭建了MFF电流传感器实验平台,分析了MFF厚度和粒子浓度对MFF透射性的影响,运用MFF透射模型对MFF电流传感器进行了仿真预测。实验及仿真结果表明该模型具有较好的预测性,预测误差在2.29%以内,所设计的MFF电流传感器的测量灵敏度达到11μW/A。     

基于非线性GA算法的动态P模型的参数辨识与验证

针对现有的GMM-FBG电流传感器的磁滞非线性问题,提出了一种改进的动态Preisach磁滞模型。采用非线性遗传算法对改进动态Preisach磁滞数学模型进行参数辨识,提高了动态磁滞曲线的预测精度。运用改进动态Preisach模型对GMMFBG电流传感器进行建模及实验验证,实验及仿真结果表明该模型具有较好的预测性,预测误差在3.0%以内。经过磁滞补偿使得传感系统电流的测量灵敏度达到0.050 nm/A。     

基于PSO算法的MFF模型的参数辨识与优化

基于磁链理论和Monte-Carlo法,建立了磁流体薄膜(MFF)传感模型和MFF透射模型,分析了磁流体透射特性。采用粒子群算法对MFF透射模型进行了参数辨识,分析了群体数目、迭代次数、惯性权重、加速度因子等参数选值对算法运行结果的影响,并选取了最佳参数组合。搭建了MFF电流传感器实验平台,运用MFF透射模型对MFF电流传感器进行了仿真预测,分析了MFF厚度和粒子浓度对MFF透射性的影响,实验及仿真结果表明该模型预测误差在2.3%以内,该MFF电流传感器的测量灵敏度达到12 μW/A。