关键词： 模式识别与计算机视觉   彼得·纽马克   文本类型理论   信息型文本   交际翻译   语义翻译  

摘要： 本文是基于《模式识别与计算机视觉手册》(节选)的英汉翻译实践报告。《模式识别与计算机视觉手册》是一本由世界科学出版社出版的全英文学术著作,书中收集了在模式识别与计算机视觉领域发表的一些最新成果。该翻译项目的委托人是郭涛,他是一名研究模式识别与人工智能的学者。书籍翻译后将由清华大学出版社在中国出版,为该领域的学者提供学习帮助。翻译实践中,译者以彼得·纽马克的文本类型理论为指导,并采用交际翻译和语义翻译方法完成了整本书籍的翻译工作。译者选择了其中约15,000词英文原文及其译文作为研究对象,并结合指导理论,探讨了该篇科技文本的文本特征以及翻译时可用的翻译技巧,从而撰写了本篇实践报告。根据纽马克的文本类型理论,文本可分为三类:信息型文本、表达型文本和呼唤型文本。他还提出了两种主要的翻译方法,即语义翻译和交际翻译,认为针对不同的文本,译者应采取不同的翻译方法。本次翻译实践报告的源文本是典型的信息型文本,整体表述客观准确、逻辑严谨。源文本中大量使用方式状语,大量使用定语从句,经常出现被动语态,多次使用第一人称代词,常用专业术语,多用抽象名词等。译者对两种翻译方法进行研究,并根据项目客户的需求,结合文本特征,同时采用了交际翻译和语义翻译作为翻译方法。翻译过程中,译者在纽马克的交际翻译和语义翻译方法指导下,对带方式状语的句子进行拆分,在定语从句中添加代词,对被动语态进行转换,对第一人称代词进行转换,对派生词和复合词进行直译,对术语缩略语和拼缀词采取零翻译,并将抽象词转化为具体表达,力求使得译文既能准确无误传递原文信息,又能更大程度上为读者群体所理解与接受。报告最后进行总结,指出译者在纽马克的文本类型理论和交际翻译和语义翻译方法指导下归纳出的原文本特征以及采用的翻译技巧,另外也指出本次翻译工作与本篇报告的不足之处。

关键词： 癫痫   焦虑倾向   抑郁倾向   早期诊断   脑网络分析  

摘要： 目的：　　癫痫是一种由大脑神经元突发的异常放电导致的一种慢性疾病，迄今为止在世界范围内影响了超7000万的患者。由于其高发病率和高致死率，对癫痫的研究已成为神经学领域的一大重点。癫痫患者往往会伴发不同程度的情感障碍，其中抑郁/焦虑倾向是癫痫患者最常见的合并症之一。现阶段对伴抑郁/焦虑倾向癫痫患者(epilepsy patients with depression/anxiety , E-AD)的发病机制研究尚不明晰，临床上需对患者进行一套完整的评估才能确诊，且被确诊的患者需表现出明显的病症，这会耗费很多的时间成本，因此现阶段对伴抑郁/焦虑障碍癫痫患者的早期诊断仍十分困难。近些年来，基于脑电信号的脑网络分析和情绪识别等研究已成为国内外相关领域的热点，在本研究中，我们尝试基于静息状态脑电信号，对伴抑郁/焦虑倾向和无抑郁/焦虑倾向两类癫痫患者的脑网络进行分析，并通过机器学习的方法实现两类患者的识别，以实现对患者的早期诊断。　　方法：　　本研究对在中国人民解放军西部战区总医院神经外科两年内所有住院收治的癫痫患者进行信息归纳整理，在确保癫痫患者发作类型、病灶类型和基本信息正确无误的情况下，从一百多例数据中筛选出符合研究标准的26名患者进行回顾性分析。通过对患者视频-脑电图的分析，截取出每名患者约2小时的静息状态头皮脑电信号，以构建癫痫伴抑郁/焦虑倾向患者和普通癫痫患者的数据集。我们首先基于功率谱分析，比较了两类患者全脑的活动强度特征。接着通过相干一致性分析分别构建两类患者在不同频段下的功能网络，并对网络连接值、网络属性等特征进行了统计比较。在此基础上，借助支持向量机的分类预测方法，分别探究了基于网络属性、网络主成分分析以及网络空间特征分析等不同特征，对伴抑郁/焦虑癫痫患者和无抑郁/焦虑癫痫患者的识别效果。　　结果：　　通过对两类患者不同频段下功率谱密度，功能网络的连接强度以及网络属性等特征对比，我们发现两类患者的差异集中体现在Beta频段下的脑活动，E-AD患者在额叶、顶叶等脑区的Beta活动表现出显著的降低，而在全局的网络属性上未表现出显著的差异。而通过网络空间模式分析和支持向量机的方式，我们实现了最高89.90%的识别准确率，显著优于传统的网络属性特征、以及基于主成分分析的特征提取方法，验证了功能网络的空间模式特征对区分两类患者的重要性。　　结论：　　癫痫患者伴抑郁/焦虑倾向的发病机制探究和诊断对于患者的治疗而言十分重要，本文基于静息态头皮脑电信号，通过对伴抑郁/焦虑倾向两类癫痫患者的脑网络分析，实现对两类患者脑网络差异的比较，结果所指向的相关脑区对进一步的探究具有重要意义。另一方面，基于网络的空间模式分析，以较高的准确率实现了对两类癫痫患者的识别，这将有助于实现癫痫患者伴抑郁/焦虑倾向的鉴别以及早干预和治疗。此外，该识别模型的探究工作，对相关脑部疾病的自动识别、评估，以及神经系统疾病和建立人性化的人机交互方式具有深刻意义。

关键词： 下肢外骨骼机器人   步态信息采集系统   模糊PID控制器   Simscape  

摘要： 近年来,随着人口老龄化日益严重,社会对老人助行以及下肢运动障碍人群的康复等需求逐渐增多。下肢外骨骼机器人是一种向穿戴者肢体施加外部扭矩并为其提供助力的装置,可用于肌肉或神经疾病患者的下肢运动康复,提升穿戴者身体机能,是解决下肢运动障碍、老人助行问题最具潜力的途径之一。然而,现有下肢外骨骼机器人的控制策略大多采用PID控制,容易出现控制滞后、鲁棒性较差等问题,难以精准实现轨迹跟踪控制。针对以上问题,本文面向助力及康复领域,设计一款可穿戴式下肢外骨骼机器人;基于对人体运动模式的识别,在PID控制基础上制定模糊PID控制策略,以提高系统鲁棒性;搭建下肢外骨骼机器人的动力学仿真模型及实体样机,进行轨迹跟踪控制实验,对本文方法加以验证。具体研究内容如下:(1)下肢外骨骼机器人系统设计。首先,通过对人体下肢运动机理及步态相位的分析,确定各关节的自由度数,并选择合适的驱动方式;其次,通过所确定的驱动方式,结合动力学仿真分析,确定驱动电机和驱动器的型号;最后,结合下肢外骨骼机器人设计的安全性、可调节性和舒适性等要求对下肢外骨骼机器人整体结构及驱动关节进行设计,为后续下肢外骨骼动力学仿真模型和实体样机搭建奠定基础。(2)步态信息采集系统与运动模式识别方法设计。首先,对人体步态信息采集系统进行设计,包括传感器的选型、布置以及无线传输系统的设计;其次,设计基于阈值法的运动模式识别方法,通过薄膜压力传感器和MPU6050角度传感器采集的数据对人体步态相位进行识别和划分,进而对平地行走、上楼梯、下楼梯等运动模式进行识别;最后,通过采集实验验证识别算法的准确性,实验结果表明,该识别方法能够较为准确的识别人体步态相位及运动模式。(3)下肢外骨骼机器人控制策略设计。首先,介绍PID控制的控制原理及控制方法;其次,针对PID控制过程中由于控制参数恒定而导致系统容易出现超调、鲁棒性较差等问题,采用模糊控制理论优化控制参数;最后,从模糊子集与隶属函数的确定、模糊规则的建立等方面设计模糊PID控制器,并利用Matlab模糊逻辑工具箱搭建模糊PID控制器,为后续动力学仿真做准备。(4)仿真分析与实物验证。首先,将下肢外骨骼模型通过Solid Works导入到Simulink中,并基于Simscape搭建下肢外骨骼动力学仿真模型;其次,分别采用PID及模糊PID控制器进行动力学仿真,通过对比两者期望轨迹和鲁棒性来检验控制算法的性能,结果表明,模糊PID控制器具有更好的轨迹跟踪效果和鲁棒性;最后,结合第3章步态信息采集系统和下肢外骨骼样机进行实物验证。

关键词： 碳基FET传感器   气体传感器阵列   交叉敏感性   痕量气体检测   模式识别  

摘要： 当前,室内环境污染日益严重,使得人们越来越重视室内的空气质量。目前室内空气污染主要由室内装修所用涂料、油漆和人造板材及家具释放的甲醛（HCHO）、挥发性有机物（VOCs）等污染物所致。这些有害气体种类繁多,来源复杂,即使在较低的浓度（ppb级别）都会严重损害人的身体健康,给人造成急性或是慢性及潜在的危害,因此对室内有害气体的检测显得尤为重要。由于可以同时在线监测室内有害气体,电子鼻技术受到了广泛的关注,但电子鼻识别气体的准确性易受到外部环境和设备结构的影响,如何实现对多种气体的准确识别仍是气体传感器领域的一个巨大挑战。由于室内痕量有害气体所引起的微弱电信号难以检测,实现对痕量气体所引起的微弱响应信号的有效提取、增强及检测也是一项亟待解决的重要任务。在本研究中,从器件微型化、集成化与批量化制作的角度出发,选择处于国际研究热点的碳基场效应晶体管（FET）为研究对象,通过敏感材料的筛选和制备、器件结构设计及性能表征等一系列手段,设计了沟道敏感型、栅极敏感型及其阵列结构,结合模式识别算法实现了室内混合气体中各气体种类的有效识别。具体工作如下: 1.为了解决单一气体传感器检测不准确导致气体识别困难的问题,本文以室内空气污染物的几种代表性物质甲醛（HCHO）、氨气（NH3）和硫化氢（H2S）为研究对象,采用了构建传感器阵列与模式识别算法相结合的策略来实现对多种气体组分的识别。采用碳基薄膜晶体管（TFT）作为传感器阵列的基本单元,利用不同的金属（Au、Cu和Ti）修饰TFT器件单元的碳纳米管（CNT）沟道,以实现对各种气体的相互不同的响应。与原始的CNT沟道的TFT型气体传感器相比,利用Au、Cu和Ti对CNT沟道进行修饰后,分别提高了TFT型传感器对NH3、H2S和HCHO的选择性响应。此外,通过与线性判别分析（LDA）算法和逻辑回归分类器（LR）的结合,开发了气体种类识别模式,并应用于电子鼻对各单一气体种类的识别（NH3、H2S和HCHO）。特别是使用模式识别中的LDA算法进行气体分类,并使用LR分类器来识别三种目标气体物种,准确率高达100%。传感器阵列结合模式识别算法这一策略为实现室内复杂环境下气体的检测以及识别提供了重要经验和指导。 2.为了实现对痕量气体微弱信号的有效放大,提出具有栅极敏感结构的FET型气体传感器。通过在沟道上方引入氧化钇（Y2O3）作为栅氧化层,有效隔离气体与沟道的接触,避免了不同气体对沟道材料产生各异的影响,最大程度保持了沟道良好的电学性能,实现栅极气敏响应信号的稳定增益效果。采用微纳加工工艺成功制作了栅敏型碳基FET型气体传感器,区别于沟道敏感型气体传感器,通过将半导体型CNT和催化金属分别作为沟道和栅极材料,充分利用了沟道传输层和栅极敏感层各自的优势。所制备的碳基FET型气体传感器对HCHO的检测限低至10 ppb,恢复率高达97%,基线漂移率仅为2%,具有优异的响应特性、恢复特性、稳定性等气敏性能。碳基FET型气体传感器高灵敏度检测主要归功于碳基FET良好的放大效应,实现对来自栅极的痕量气体造成微弱信号的放大。该项工作可为设计具有低浓度气体检测能力的传感阵列提供可借鉴的思想方法与手段。 3.针对栅敏型碳基FET器件,构筑具有显著气敏响应区分度的栅极材料体系,研究不同材料对各气体的有效响应,建立气体种类与栅极材料及器件性能的关联。通过FET阵列结构的设计,提供对多目标气体相关联的丰富的信息数据集,结合模式识别算法对数据的处理,最终实现对单一气体种类与浓度难以同时识别及混合气体中目标气体识别。利用LDA、SVM算法结合MLR算法,发展了多气体气体识别模式,通过分别检测HCHO、H2S和NH3三种气体,以及对三种混合气体中甲醛气体的单一识别研究中发现:采用LDA可以实现气体的可视化分类,进一步结合SVM算法可以实现气体种类的识别,采用MLR完成对浓度的预测。分别检测三种气体的识别率达到96.04%、99.96%、99.62%,混合气体中识别甲醛的准确率可达82.08%。这项工作突破了单一气体种类和浓度同时识别、混合气体中目标气体精准识别的技术瓶颈,为可实现多气体精准识别的电子鼻技术提供重要的理论与实验支撑,为气体传感芯片在人工智能的未来应用提供重要指导。

关键词： 通信信号   瞬时特征序列   特征融合   调制识别   深度学习  

摘要： 通信信号调制模式识别技术在民用和军用领域都具有重要的研究意义,日益增加的通信信号种类和复杂电磁环境也对现有的信号调制识别方法带来新的挑战。在低信噪比条件下,信号的特征受噪声影响较大,而单一特征数据提供的有限信息可能无法表征某些信号,从而导致某种或某类信号识别准确率低,进而影响信号调制识别技术的应用。选择合适的不同信号特征的数据并进行融合可能为信号调制识别提供有前景的技术路线。为了解决上述情况下信号识别率低的问题,本文设计了多特征融合算法,将通信信号的瞬时特征序列与深度学习相结合,并针对序列特点对调制识别分类器进行设计与对比分析,有效的提升了在低信噪比下瞬时特征识别准确率的问题。本文的具体研究内容如下:首先,本文系统介绍了通信信号的基本原理、调制识别的理论基础和时频域特征的提取算法以及卷积神经网络的相关知识,为后续基于特征融合的通信信号调制模式识别方法研究中的预处理特征提取与分类器设计奠定了理论基础。其次,针对多进制幅度键控(MASK)、多进制频移键控(MFSK)、多进制相移键控(MPSK)三类通信信号特点,采用基于时频分析的瞬时幅度与瞬时频率序列提取算法、非线性瞬时相位提取算法来提取信号瞬时特征序列,得到调制信号瞬时幅度信息、频率信息以及相位信息,为后续基于多支路融合的神经网络的调制识别方法提供了特征更加显著的分类样本,提升低信噪比下信号的识别准确率。最后,针对传统识别方法存在识别效果过分依赖人工的特征提取和低信噪比的条件下识别率不高的问题,本文拟采用将深度学习技术用于多特征融合,来提升调制识别的分类识别率。设计搭建基于时间卷积网络的三特征支路并行融合的神经网络分类器模型,对MASK、MFSK、MPSK九种通信信号进行调制识别仿真实验对比分析,通过软件仿真加硬件实测实现低信噪比下基于瞬时特征融合的调制识别过程。综上所述,本文提出了基于时频分析的瞬时幅度与瞬时频率序列提取算法、非线性瞬时相位提取算法与深度学习相结合的识别算法,从采用瞬时特征序列而不是传统瞬时特征统计量和设计优化时间卷积神经网络分类器结构出发,提升调制识别准确率,在信噪比为-4d B时,平均识别率可达90%以上。实验结果表明本文所提出的方法能够显著提高通信信号调制种类在低信噪比下的准确率。

关键词： 煤层气开发   模糊模式识别   选区评价   储层特征   评价参数和体系   模糊贴近度  

摘要： 作为煤层气勘探开发的前提和基础,有利区块评价与优选结果直接决定着煤层气开发的成败。长期以来,许多煤层气开采国家在储层评价方面做了大量工作,但由于煤层气地质条件的复杂性和储层的非均质性,如何精确优选煤层气富集区,仍是煤层气勘探开发面临的一项长期、艰巨的任务。 煤层气开发有利区块评价与选择是通过比较评价级别分类系统和不同评价参数或指标来识别确定研究区评价级别,是一个具有典型模糊性和不确定性的复杂系统。本项研究从煤层气开发地质的角度出发,优选了15个煤层气开发选区评价参数,涵盖了影响煤层气开发的地质条件（区域地质、资源地质）、开采条件（储层可采性、可改造性）,构建了煤层气开发选区评价指标体系。 在此基础上,借助于成熟的模糊数学理论与技术,综合分析影响煤层气开发的因素,提出基于模糊模式识别的煤层气开发地质条件评价新模型,详细推导了模型的计算过程。首先对各项评价参数进行分类和归一化处理,消除不同参数间量纲、量级的差异对评价结果的影响,使评价模型更准确;其次完成评价参数矩阵E和评价级别矩阵Pq（q=Ⅰ,Ⅱ,Ⅲ,Ⅳ）的构建与转换;然后综合考虑所涉及的15个评价参数和4种评价级别对评价结果的影响,利用夹角余弦相似度计算模糊贴近度;最后通过比较四个模糊贴近度α（A,Bq）的值确定待评价区块的评价级别,完成评价级别的模糊模式识别过程。此方法不涉及评价参数赋权,可以避免层次分析法和多级模糊综合评价模型因评价参数赋权而导致评价的结果不确定性,简化了计算过程,提高了评价结果的准确度。 通过在准噶尔盆地南缘阜康矿区西部八道湾组A2号煤层和沁水盆地樊庄区块3号煤层进行效果检验,验证模型的合理性和有效性。以沁水盆地阳泉矿区新元煤矿3号煤层为研究对象,通过对该煤层地质资料收集整理分析、现场勘探取样以及室内实验,论述了该煤层煤层气赋存的地质特征和煤储层物性特征,详细分析了煤体结构、煤层厚度、埋深、含气量等重要参数特征。为便于对煤层气有利开发区进行精确选择,将新元煤矿3号煤层划分成5个区块单元。最终,利用模糊模式识别评价模型对各区块单元进行模糊贴近度计算,确定了新元煤矿3号煤层的优选结果（区块单元4>区块单元5>区块单元2>区块单元1>区块单元3）,并绘制了煤层气开发潜力预测图。 此研究可为煤层气高效开发提供科学依据和技术支撑。 图37幅,表22个,参考文献150篇。

关键词： 城市居民   活动模式   交通需求   预测效果  

摘要： 在现代社会中，随着城市化的快速发展，交通需求日益增长，交通拥堵和环境污染问题日益严重。为解决这些问题，城市规划者需要准确预测交通需求，从而制定合理的交通规划和优化策略。交通需求管理（TDM）是一种通过影响人们的出行行为，以减少交通拥堵、交通事故和能源消耗等问题的管理模式。尽管如此，因为在个体出行行为研究上存在不足，TDM政策的实行可能未能达到期望成果。为保障规划工作的顺利推进，在施行TDM举措前，有必要对城市居民的出行特点进行深入探讨，精准预测其出行需求，并据此来评估TDM举措的实施可行性，这同样是确保规划工作成功进行的关键基石。识别典型活动模式对于提高交通需求预测的准确性至关重要，典型活动模式识别的核心在于分析和理解人们在日常生活中的出行行为和活动规律。这包括对工作、学习、购物、娱乐等各种活动的时间、地点和出行方式的分析。通过对这些数据的挖掘和分析，我们可以发现人们在特定时间、地点的出行需求规律，进而预测未来交通需求的变化趋势。　　本文基于个体出行数据，根据个体出行行为特征，识别杭州市个体出行的典型活动模式，分析典型活动模式在个人属性特征、社会属性特征、家庭出行资源分配模式上的差异。同时，将典型活动模式和家庭出行资源分配模式作为优化模块，用于交通需求预测模型的优化，并检验模型预测优化效果。主要研究内容和成果包括：　　（1）基于个体出行数据，生成了活动状态序列，并使用了日活动时间-序列比对方法来定义不同活动状态序列之间的相似性，以为聚类识别提供支持。我们采用了K均值聚类的方式来识别典型活动模式。依据个体出行行为特征，我们使用无监督机器学习方法（K均值聚类）将杭州市的个体分为14种典型活动模式。不同的典型活动模式在日活动分布上表现出明显的差异，包括活动数量、活动种类、活动开始时间和持续时间。　　（2）对不同典型活动模式进行个人属性特征分析和社会属性特征分析，同时考虑家庭出行资源的分配情况，研究了不同典型活动模式与家庭生命周期（FLC）之间的相关性。研究结果显示，属于不同典型活动模式的个体在性别、年龄、文化程度、户口类型、家庭收入、家庭居住面积和家庭小汽车保有量等属性特征上存在明显的差异。此外，不同FLC阶段的个体对于不同典型活动模式也存在明显的偏好差异。　　（3）对活动状态序列进行编码，添加活动开始时间和持续时间信息，并使用三种不同类型的活动状态序列预测模型进行交通需求预测。同时将典型活动模式和家庭出行资源分配模式作为优化模块添加到预测算法中，并比较添加优化模块前后的预测效果。研究结果显示，将活动模式作为分类标签，添加到交通需求预测模型中可以显著提高三种预测模型的预测效果。因此，先对活动模式进行分类再进行交通需求预测可以提高预测准确性。而将FLC作为分类标签添加到交通需求预测模型中，对马尔科夫模型（传统模型）和门控循环单元模型（深度学习模型）的预测效果也有所提升。这表明FLC作为一个分类变量，在某些情况下可以提高交通需求预测的性能。　　本文针对不同典型活动模式和不同FLC的个体进行研究，分析其在出行行为上的差异性和相似性。并将典型活动模式和FLC用于需求预测模型当中，检验它们对模型预测效果的提升。

关键词： 刀具磨损监测   Relief-F特征选择   WOA-BP神经网络   模式识别  

摘要： 随着“中国制造2025”战略的提出,加工制造业逐渐向着自动化与智能化方向发展,越来越多的企业对刀具状态监测提出了更高要求。然而,现阶段刀具状态监测技术并不成熟,尚未广泛应用在实际加工生产中。在此背景下,本文以刀具切削过程中的振动信号、AE信号为研究对象,借助LabVIEW来构建刀具状态监测系统。论文的主要工作和成果如下: (1)在时域、频域、时频域内提取振动信号、AE信号的幅值变化波形图,完成其特征参数的提取。在时域内,完成振动信号和AE信号的均值、方差、均方根的提取;在频域内,对振动信号和AE信号的功率谱展开分析;在时频域内,对振动信号展开4层小波包分解,对AE信号展开8层多分辨率分解,并且计算出各频段的能量百分比,从而实现31维特征向量的组建。 (2)原始特征中包含着大量的无用信息,会对分类效果造成影响。因此借助Relief-F特征选择算法对获取的信号进行筛选,最终选择权重排在前8位的特征作为训练样本实验结果表明,特征选择前后模型的识别准确率提高了 20%。 (3)对BP神经网络的缺点进行分析,通过WOA算法优化BP神经网络的阈值和权值,建立了 WOA-BP神经网络模型。实验结果表明,WOA-BP神经网络的刀具磨损状态识别模型的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差的值都比BP神经网络的值小,说明WOA-BP神经网络的预测精度更高,预测更准确。 (4)基于LabVIEW软件和MATLAB软件开发出一套完整的刀具状态监测系统,该系统可以完成数据采集、信号分析、波形显示、数据读取以及存储与刀具状态识别等功能,并对系统进行可视化展示。

关键词： 表面肌电信号   模式识别   数据分割   特征降维   高斯混合模型  

摘要： 表面肌电信号(Surface electromyography,sEMG)是人体重要的生物电信号,由肌肉收缩而产生。基于sEMG信号的上肢手腕动作识别是医工融合的研究热点,被应用于康复训练和假肢控制等领域。当前,对sEMG信号的降噪、数据分割、特征提取、特征降维和模式识别等方面依然存在一些问题待优化。针对这些问题,主要研究工作如下: 首先,根据上肢肌肉群运动功能特性,采集8种手势动作和4种不同力模式手腕连续运动的12通道sEMG信号。对比不同的去噪方法,选择完全自适应噪声集合经验模态分解进行去噪。使用时间滑动窗口技术进行数据分割,对比不同滑动参数组合的分割效果,确定滑动窗口宽度和滑动增量分别为128和64,并提出一种基于时间滑动窗口的全通道处理方法进行活动段检测。 其次,选取4种具有高斯分布的时域特征和时频域特征小波包变换系数作为特征提取值。采用主成分分析和K均值聚类进行特征降维,将降维后的时域和小波包变换特征值相结合,分别构成4种多阶特征空间。 最后,针对模式识别,提出融合高斯混合模型的卷积神经网络算法(Gaussian Mixture Model-Convolutional Neural Networks,GMM-CNN)和人工鱼群优化支持向量机分类器。实验结果表明:肌电积分值结合小波包系数(IEME)相对其他特征空间具有更好的区分性;GMM-CNN具有良好的鲁棒性,其平均分类准确率达到94.25%,高于其他分类模型;降维相对未降维的特征在平均分类准确率提高11.72～14.23%,训练时间减少数倍。 图46幅;表16个;参74篇。