基于EMD與ELM的機器人地面分類研究.pdf

1、當移動機器人需要執(zhí)行遠程探測任務或者人類無法親臨的危險任務時，就要求移動機器人具有足夠的自主能力，機器人須具有識別并安全通過各種陌生地面的能力，因此十分有必要研究地面分類。傳統(tǒng)上廣泛用基于視覺的方法對地面進行識別和分類，但是基于視覺的方法容易受光照、表面覆蓋物的影響，不易識別松軟地面，所以本論文采用基于振動信號的方法。不同于視覺的非接觸式分類方法，振動信號可以真實反映地面承載層信息，是對視覺方法的一種重要補充。本文對地面分類方法的研究包

2、含三個部分，首先是給出特征提取方法，其次是改進極限學習機，最后是改進基于模糊積分的融合算法，并采用改進后的算法對改進的極限學習機進行融合。
　　為了獲取機器人車輪和地面間的振動信號，本文設計了數(shù)據(jù)采集實驗系統(tǒng)。在移動機器人四個輪臂上安裝三向加速度計和z向傳聲器，使之在沙、碎石、草、土、瀝青地面上分別以5種速度行駛，采集車輪與地面之間激發(fā)的振動信號（本文采用左前輪的振動信號，其余留待以后研究），為地面分類算法研究提供數(shù)據(jù)支持。

3、>　　首先對原始振動信號進行經(jīng)驗模式分解，獲得一系列尺度的內(nèi)蘊模式分量，由于內(nèi)蘊模式分量所包含原始信號的信息量不同，依據(jù)能量分布和失真度對內(nèi)蘊模式分量進行篩選，最后提取內(nèi)蘊模式分量的時域幅值特征、功率譜密度特征和奇異值特征。
　　針對極限學習機的隱含層節(jié)點存在冗余，而且影響其分類的穩(wěn)定性和準確率的問題，通過對任意兩個隱含層節(jié)點的輸出進行相關性評估，給出基于節(jié)點相關性的約減方法。在5種速度下基于以上3種特征采用改進后的極限學習機對5