导读:本文包含了训练集优化论文开题报告文献综述及选题提纲参考文献，主要关键词:表面肌电信号,肌电假肢手,训练集,模式识别
训练集优化论文文献综述
张瑶[1]（2017）在《基于表面肌电训练集样本权重优化的手势动作模式识别》一文中研究指出手是人体重要的功能与运动性器官。由于各种意外导致的上肢运动功能障碍和肢体残缺给患者带来较大的生理和心理伤害,并严重影响患者的日常生活。因此,安装假肢成为帮助他们恢复手部功能的有效途径。在当前的假肢应用中尤其以肌电假肢的应用最广泛,其表现为控制直感性强、使用方便。但是,在当前的肌电假肢手中,手势动作执行始终无法达到理想的过程识别效果,如何改善肌电假肢手不同时相段的手势动作识别是当前生物医学工程的研究热点。肌电假肢控制主要包括获取肌电信号、特征提取、模式识别、动作执行等环节,其中,手势识别效果很大程度上取决于模式识别环节中训练集样本的构建方式。因此,本文提出了一种基于表面肌电信号训练集样本权重优化的手势动作识别策略,用以改善手势动作的识别效果,以适应假肢手灵巧控制的发展需求。手势动作完成的整个过程可以分解为不同时相的多个独立手势,而相邻时相段的手势动作具有相似的姿态以及运动轨迹。因此,本文首先研究影响相似手势动作识别的主要因素,设计了2组相似手势(抓握组和捏取组)的识别实验,用来分析表面肌电的训练集样本在特征空间中构建方式的改变对相似手势识别结果的影响。首先,采集7名受试者执行手势动作的表面肌电数据,特征提取后调整手势动作间的训练集样本权重比例,并输入到分类器中进行判别。此外,本文研究了影响手势动作不同速度状态识别的主要因素。采集了5名受试者在3个不同速度下执行握拳、捏指动作的表面肌电信号和手指叁维空间坐标。接着提取表面肌电信号的均方根(RMS)、绝对幅值(WAV)、斜率符号变化(SSC)、和过零率(ZC)等时域特征,并计算手指运动角速度。随后,利用回归分析确定与角速度呈显着线性相关的肌电特征值,并利用得到的特征值构建训练集特征空间。最后,动态改变手势动作3种速度间的训练集样本权重并输入到分类器中进行识别。结果表明:相比于传统的平均分配样本比例的方式,手势动作不同速度状态下的肌电训练集样本间不均的权重分配策略,可以有效提高对手势动作速度状态的识别率。最后,本文设计了基于表面肌电的虚拟手识别与控制系统,用于手势动作执行过程中不同时相识别的功能验证和效果演示。将离线阶段得到的手势动作3个时相—起始段(S)、中间段(M)和结束段(E)进行权重调整,并利用离线过程中权重调整后的样本集构建好分类器,并应用于在线测试环节。结果显示,3种手势动作中间时相段平均识别率达到86.8%,而对起始时相段和结束时相的识别结果偏低,分别为60%和57.4%,并且虚拟假肢手控制满足实时性的要求。本课题提出并初步验证了一种表面肌电训练集样本权重非平均分配的策略,可以有效改善手势动作识别中相似手势间、不同速度间以及不同时相间的识别效果,为后续肌电假肢手灵巧控制提供新的思路。(本文来源于《重庆大学》期刊2017-04-01）
吴琼,李运田,郑献卫[2]（2013）在《面向非平衡训练集分类的随机森林算法优化》一文中研究指出数据挖掘是当今社会最活跃的研究方向之一,迄今为止数据挖掘技术已经广泛应用到各行各业中,然而在数据挖掘过程中往往会遇到很多非平衡训练集,采用传统的数据挖掘技术对非平衡训练集集进行处理不能得到理想的效果。主要是针对非平衡训练集,对数据进行NCL(Neighborhood Cleaning Rule)技术处理并结合随机森林(Random Forest)算法进行分类,试验结果表明,改进后的随机森林算法分类效果更好。(本文来源于《工业控制计算机》期刊2013年07期）
张运陶,高世博[3]（2008）在《微粒群算法优化化工建模训练集》一文中研究指出提出两种均以微粒群(PSO)算法对原始训练集随机抽样优化,再结合机器学习算法建立预测模型的PSO算法优化化工建模训练集的思路。思路1首先以模型交叉验证的均方误差函数mse最小为目标优化训练集,再通过对验证集预测,从平行运行得到的多个优化训练集中确定最优训练集用于建模。思路2借鉴提高BP神经网络泛化能力的初期终止(early stop)法,以对验证集预测的mse最小为目标优化训练集,再通过对测试集预测,从平行运行得到的多个优化训练集中确定最优训练集用于建模。通过仿真实验研究和对某炼油厂调和汽油生产数据的具体分析应用,表明本文思路可以较大幅度提高模型的预测准确性,在化工建模中具有推广应用价值。(本文来源于《化工学报》期刊2008年04期）
训练集优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
数据挖掘是当今社会最活跃的研究方向之一,迄今为止数据挖掘技术已经广泛应用到各行各业中,然而在数据挖掘过程中往往会遇到很多非平衡训练集,采用传统的数据挖掘技术对非平衡训练集集进行处理不能得到理想的效果。主要是针对非平衡训练集,对数据进行NCL(Neighborhood Cleaning Rule)技术处理并结合随机森林(Random Forest)算法进行分类,试验结果表明,改进后的随机森林算法分类效果更好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
训练集优化论文参考文献
[1].张瑶.基于表面肌电训练集样本权重优化的手势动作模式识别[D].重庆大学.2017
[2].吴琼,李运田,郑献卫.面向非平衡训练集分类的随机森林算法优化[J].工业控制计算机.2013
[3].张运陶,高世博.微粒群算法优化化工建模训练集[J].化工学报.2008