学位论文 > 优秀研究生学位论文题录展示
基于振动信号的轮式机器人地面分类方法研究
作 者: 李强
导 师: 薛开
学 校: 哈尔滨工程大学
专 业: 机械制造及其自动化
关键词: 轮式机器人 地面分类 振动信号 特征提取 分类方法
分类号: TP242
类 型: 博士论文
年 份: 2013年
下 载: 9次
引 用: 0次
阅 读: 论文下载
内容摘要
为了在行星(如月球和火星)表面探测及在地球表面的危险环境(如沙漠、沼泽、火灾现场、核辐射区域等)中作业,要求自主移动机器人能自主地识别环境,完成使命,避免处于危险境地。地面识别或地面分类是环境识别中重要的一部分。机器人安全有效地穿越不同的地面需要与之相适应的控制策略。当地面发生变化时,自主移动机器人应能适应所穿越的地面。研究地面分类可以解决自主移动机器人在复杂地面的通过性问题,对于提高移动机器人的自主移动性能十分重要。本文在深入分析综合国内外同类研究的基础上,从地面分类特征提取以及分类器设计这两个基本层次展开对自主轮式机器人地面分类相关理论与技术问题的研究。本文设计了数据采集的实验,以四轮移动机器人为实验平台,在机器人左前轮轮臂上安装x、 y、 z向加速度计和z向传声器。机器人在沙、碎石、草、土和沥青五种地面上分别以六种速度行驶,提取车轮与地面相互作用的加速度和声压信号作为地面分类的原始数据。对原始数据进行时域幅值分析,提取地面特征,对于每个传感器数据选用若干个幅值域参数作为地面特征。对于传统的k-近邻(kNN)方法来说,有k值选择问题;用kNN方法解决多类分类问题采用投票法决策,当出现票数相同的情况时,目前尚没有更好的决策策略,尽管随机挑选法是一个实用的策略,但分类精度会降低。针对以上两个问题,本文给出改进的kNN方法,即给出k值的选择方法;对于多种地面分类出现两种以上(包含两种)得票数相同的情况,给出kNN循环寻优的方法。对于传统的概率神经网络(PNN)方法来说,有平滑因子σ的估计问题,估计得好有利于提高分类精度。以前的学者认为对于所有的样本应选用同一个σ或对于相同维数的样本选用相同的σ,但这种选法不能保证对于所有的测试样本σ都是最优的或较优的,甚至得不到测试结果。针对这一问题,本文给出改进的PNN方法,即给出平滑因子σ的迭代寻优方法。应用现有的一对一支持向量机(SVM)方法解决多类分类问题采用投票法决策,当出现票数相同的情况时,目前尚没有更好的决策策略。针对这个问题,本文提出改进的一对一SVM方法,即利用LIBSVM中的一对一SVM二值分类程序,对于多种地面分类出现两种以上(包含两种)得票数相同的情况,提出新的算法。从分类准确率和数据处理时间两个方面对改进的kNN、改进的PNN及改进的一对一SVM方法进行比较。基于时间序列重构的吸引子轨迹矩阵奇异值分解(SVD)的方法原用于故障诊断领域,用于降低原信号中的噪声。本文给出基于奇异值分解(SVD)的特征提取方法,即利用振动信号时间序列重构的吸引子轨迹矩阵奇异值分解的前若干个奇异值作为特征值,取得了好的分类效果。研究基于快速傅里叶变换(FFT)的特征提取方法和基于功率谱密度(PSD)的特征提取方法,阐述二者特征选择的方法。从分类准确率和数据处理时间两个方面对以上三种特征提取方法进行比较。基于实测数据和相应的分类实验验证了所提方法的效力。
|
全文目录
摘要 5-7 Abstract 7-12 第1章 绪论 12-24 1.1 轮式机器人地面分类系统 12-13 1.2 研究的目的与意义 13-15 1.3 移动机器人地面分类方法的国内外研究现状 15-20 1.3.1 移动机器人地面分类方法的国外研究现状 15-19 1.3.2 移动机器人地面分类方法的国内研究现状 19-20 1.4 轮式机器人地面分类需要解决的两个问题 20-22 1.5 本文的主要研究内容和结构 22-24 第2章 实验数据的采集 24-37 2.1 实验的目的 24 2.2 实验系统 24-30 2.2.1 机器人的结构与传感器 25-27 2.2.2 动态信号测试分析系统与台式电脑 27-29 2.2.3 实验地面 29-30 2.3 实验方案与数据采集过程 30-34 2.4 实验数据处理与分析 34-35 2.5 本章小结 35-37 第3章 基于改进的k -近邻方法的地面分类 37-56 3.1 地面特征 37-40 3.2 kNN法存在的问题 40-42 3.3 改进的kNN方法 42-44 3.3.1 改进的 kNN 法原理 42-43 3.3.2 改进的 kNN 算法描述 43-44 3.4 基于改进kNN法的地面分类算法流程图 44 3.5 实验结果及分析 44-54 3.5.1 单一传感器数据的实验结果及分析 44-51 3.5.2 融合数据的实验结果及分析 51-54 3.6 本章小结 54-56 第4章 基于改进的概率神经网络方法的地面分类 56-68 4.1 PNN 方法存在的问题 56-58 4.2 改进的 PNN 方法 58-63 4.2.1 平滑因子σ的迭代寻优方法 58-59 4.2.2 平滑因子σ对分类准确率的影响 59-63 4.2.3 改进的 PNN 算法描述 63 4.3 基于改进 PNN 的地面分类算法流程图 63-64 4.4 实验结果及分析 64-67 4.5 本章小结 67-68 第5章 基于改进的一对一支持向量机方法的地面分类 68-86 5.1 SVM 方法存在的问题 68-74 5.2 改进的一对一 SVM 方法 74-79 5.2.1 改进的一对一 SVM 方法原理 74-75 5.2.2 使用 LIBSVM 软件中一对一 SVM 二值分类程序的主要过程 75-78 5.2.3 改进的一对一 SVM 算法描述 78-79 5.3 基于改进的一对一 SVM 的地面分类算法流程图 79-80 5.4 实验结果及分析 80-82 5.5 改进的kNN、改进的 PNN 及改进的一对一 SVM 方法的比较 82-85 5.6 本章小结 85-86 第6章 基于奇异值分解的地面分类方法及不同方法的比较 86-115 6.1 基于奇异值分解(SVD)的地面分类 86-91 6.1.1 基于奇异值分解的特征提取方法 86-88 6.1.2 基于奇异值分解的特征提取算法描述 88 6.1.3 基于奇异值分解的地面分类算法流程图 88-89 6.1.4 实验结果及分析 89-91 6.2 基于快速傅里叶变换(FFT)的地面分类 91-101 6.2.1 离散傅里叶变换(DFT) 91-92 6.2.2 快速傅里叶变换(FFT) 92-93 6.2.3 按时间抽取(DIT)基-2FFT 算法 93-94 6.2.4 基于 FFT 的特征提取方法 94-97 6.2.5 基于 FFT 的特征提取算法描述 97-98 6.2.6 基于 FFT 的地面分类算法流程图 98 6.2.7 实验结果及分析 98-101 6.3 基于功率谱密度(PSD)的地面分类 101-112 6.3.1 功率谱估计的经典方法 101-105 6.3.2 基于 PSD 的特征提取方法 105-108 6.3.3 基于 PSD 的特征提取算法描述 108-109 6.3.4 基于 PSD 的地面分类算法流程图 109 6.3.5 实验结果及分析 109-112 6.4 三种特征提取方法的比较 112-114 6.5 本章小结 114-115 结论 115-117 参考文献 117-127 攻读博士学位期间发表的论文和取得的科研成果 127-128 致谢 128-129 个人简历 129
|
相似论文
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 空间交会接近视觉测量方法研究,TP391.41
- 图像实时采集、存储与处理方法研究,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 多币种纸币处理技术的研究与实现,TP391.41
- 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 基于随机森林的植物抗性基因识别方法研究,Q943
- 基于图像处理技术的烟叶病害自动识别研究,S435.72
- 基于视觉的番木瓜外观品质检测技术研究,S667.9
- 水下目标特征的压缩与融合技术研究,TN911.7
- 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
- HJ1-CCD交叉辐射定标,TP751
- 基于本体的中文科技论文分类研究,TP391.1
- 基于视觉的人体行为检测识别研究,TP391.41
- 基于改进的支持向量机的模拟电路故障诊断方法研究,TN710
- 基于AdaBoost算法的车辆识别系统研究与实现,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化技术及设备 > 机器人技术 > 机器人
© 2012 www.xueweilunwen.com
|