关键词： 曲线造型产品   轮廓曲线   形态分析   模式识别  

摘要： 形态在影响消费者购买产品的决定因素中越来越重要，可以说，产品形态是新产品开发是否取得成功的重要条件。产品形态原型可以帮助设计人员快速了解产品形态，缩短认知时间。产品原型能够参数化产品形态，还能在产品设计方案中进行快速组合迭代，有效产生带有此类原型的新方案，指导推进产品族、产品品牌家族化、风格化、相似性等设计。然而设计人员在挑选产品原型的过程中难以迅速识别分类底层样本，以往的原型获取方法定量化不足。　　本文以产品轮廓为研究对象，提出快速识别并获得产品原型的方法。该方法的主要流程是：　　（1）收集单体产品的正侧立面视图、产品轮廓清晰的基础样本，建立产品的底层样本库;（2）产品不同的部件对原型造成的影响也不同，依据产品的功能形态分析可以解构产品形态，形成部件。通过眼动实验获取部件注视时长，从而转化为用户对产品部件对应的偏好权重，以得到更准确的量化数据;（3）通过边缘识别得到产品外轮廓，转化为贝塞尔曲线，得到贝塞尔曲线切点、角点、拐点、端点等特征点的坐标值;（4）将各个部件的坐标值与对应的权重相乘进行层次聚类得到合适的类别数量，将类别数量作为目标条件进行K-均值聚类得到产品分类。　　（5）在每个类别中选择最接近质心的样本作为典型样本，即样例观原型;将每个类别所有样本的各个坐标点取平均值得到坐标点，还原原型观原型。最后分别从产品形态的几何层面、功能层面等角度分析该原型在产品造型中的不同特点。　　本文通过高脚杯为例证明该方法的可行性和有效性。该方法缩短了在大量底层样本中识别出原型的时间，极大程度上降低了挑选典型样本的人工成本，完善了曲线造型产品的轮廓原型获取与表达，弥补了产品原型提取方法的不足。

关键词： 损伤识别   模式识别   固有频率   对称结构  

摘要： 随着国内经济的发展,基础建设规模越来越大,工程结构在其使用过程中,不可避免的会产生老化与损伤的情况,埋下安全隐患。为保证结构在其运营期间的安全性与可靠性,结构健康监测的研究具有非常重要的意义,其中结构损伤识别是结构健康检测过程中一个重要的内容。本文以梁结构作为研究对象,通过理论分析,研究梁结构刚度变化与质量变化对其动力特性的影响。同时把模式识别技术应用于结构损伤识别技术中,通过数值模拟计算和试验验证,对结构损伤模式识别技术进行深入的研究,实现对结构损伤快速、准确的识别。本文主要研究内容如下:(1)通过理论推导出梁结构刚度变化与质量变化对其动力特性的影响。当梁结构发生刚度损伤时,会引起固有频率相应的改变,其相对改变量与刚度损伤处曲率模态值的平方成正比。同样,当梁结构发生质量损伤时,会引起固有频率相应的改变,其相对改变量与质量损伤处位移模态值的平方成正比。(2)根据结构固有频率相对改变量与结构刚度损伤之间的关系,结合模式识别技术,建立刚度损伤识别模式。通过数值计算构造结构单一刚度损伤模式向量,采用距离分类器在实际损伤特征向量与模式向量之间进行相似度分类,识别出与实际损伤向量相似度最高的模式向量。运用悬臂梁模式识别算例,识别出结构刚度损伤的损伤位置和损伤程度。利用简支梁刚度损伤试验,验证了结构刚度损伤模式识别方法的可靠性。(3)根据结构固有频率相对改变量与结构质量损伤之间的关系,建立质量损伤识别模式。首先建立有限元数值模型构造结构单一质量损伤模式向量,形成损伤模式,再利用距离分类器,识别出与实际损伤特征向量相似度最高的模式向量。采取分步识别的损伤模式识别方法,先识别出损伤位置,再识别出损伤程度,近一步简化模式分类。通过悬臂梁数值计算和试验验证了此方法的有效性。(4)利用附加质量法,解决了对称结构识别结果存在两个对称损伤位置的问题。由于对称结构任意对称位置的损伤都会引起相同的结构固有频率改变,通过在对称结构一侧附加质量来改变其对称性,从而实现对损伤位置的唯一识别。最后利用简支梁损伤识别数值算例和试验进行验证,证明了这种方法的可行性。

关键词： 漏洞挖掘   程序切片   机器学习   模式识别  

摘要： 传统的软件漏洞挖掘技术是包括模糊测试、符号执行、模型检测和污点分析等在内的技术。近年来,大数据和机器学习的兴起又引导了新一轮的软件漏洞挖掘技术研究。目前,使用机器学习或数据挖掘进行软件漏洞挖掘的研究主要分为三大类:基于软件度量的漏洞预测技术、基于异常检测的漏洞预测技术及基于漏洞代码模式识别的漏洞预测技术等。但是,先前的大多数研究都是针对源代码的,只有很少一部分是针对二进制软件的。并且,大多数的研究都是基于粗粒度的,以软件组件为粒度的漏洞挖掘不利于精确定位到漏洞的具体位置,以函数为粒度的漏洞挖掘将漏洞模式局限在函数内部。本文主要研究了以下内容:(1)分析当前主流的软件漏洞的产生原因,总结缓冲区溢出、整数溢出、释放后重用漏洞在汇编层面上的特点,了解程序运行时可能接收到的信号以及部分软件保护机制,通过静态分析和动态分析的常用手段实现对程序进行跟踪和自动化分析。(2)在样本收集方面,本文认为函数调用序列不足以刻画漏洞,因而提出一种基于代码块粒度的样本收集方法,创新性地以汇编代码块为粒度,对于漏洞程序,提取从数据引入到程序崩溃之间的代码片段;对于正常程序,提取从数据引入点到程序退出之间的代码片段。在提取的过程中,解决由程序开启所有安全保护而导致无法提取PLT表的问题,并提出基于代码块分簇的降循环算法来降低相同代码片段的循环次数。针对样本收集不平衡的问题,本文提出了一种针对汇编代码块的过采样技术。(3)针对汇编代码块序列,本文设计了基于Block2Vec的机器学习模型。先前的工作是以每条汇编指令为单位作为Doc2Vec模型的输入,而本文以基本块为单位作为Doc2Vec模型的输入,因此称为Block2Vec。在Doc2Vec模型的训练上,本文将收集到的所有程序的所有汇编代码块的去重集合作为训练数据。训练完成之后对样本中的每个代码块进行向量表示,相同模式的代码块在经过Doc2Vec模型表示之后的结果是相近的,最后通过级联和统一维度处理得到该样本的向量表示。为了测试汇编代码块序列样本的效果,本文构建了LSTM网络和Text-CNN网络,将汇编代码块序列样本和函数调用序列样本经过上述相同的处理,分别训练LSTM分类模型和TextCNN分类模型,结果表明使用汇编代码块序列作为样本的Text-CNN模型效果较好,准确率达到96.3%。

关键词： 分布式光纤振动传感   模式识别   特征提取   机器学习   集成学习  

摘要： 相位敏感光时域反射计(Phase-Sensitive Optical Time Domain Reflectometer,(37)OTDR-)是分布式光纤振动传感系统的一种典型结构,以光纤作为传感传输媒介,具有结构简单、使用方便、测量范围广泛以及抗干扰等优势,在现代人工智能测量领域扮演越来越重要的角色。随着现代人工智能领域不断发展,仅仅对振动信号进行测量和定位已经无法满足实际需求,在确定振动事件发生的同时,还需要确定振动信号类型以及判断振动起因。因此,需要开展对相位敏感振动信号进行模式识别方法研究。本学位论文针对(37)OTDR-分布式光纤传感系统模式识别方法进行研究,主要包括振动信号的特征获取和振动信号分类,对不同的算法进行对比、研究及改进,达到提高准确率、降低误报率的目的。本学位论文主要完成的研究工作如下:1.本文系统地介绍了分布式光纤振动传感系统,包括研究现状及现有的系统结构,OTDR理论模型的构建及仿真。主要介绍目前模式识别达到的研究水平及主要的研究方法,阐述目前方法存在的问题。2.本文详细地阐述了振动信号处理流程,包括解调、定位、特征提取及特征工程。其中针对振动信号的特点,提出一种希尔伯特变换(Hilbert)结合改进的经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)的特征提取方法,并分别仿真、模拟实验对比了经验模态分解(Empirical Mode Decomposition,EMD)和互补经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法。通过对比,可以得出MEEMD分解方式在信号特征提取方面耗时短,相对于CEEMD,节省3.1363s,准确率高,重构误差最小。3.本文以MEEMD方法为主,结合时域、能量域等方法,对无振动信号、人走路、振动隔离网、重物坠落以及小车通过等事件进行实验分析。在已知振动信号的类型的情况下重复实验,获得3000组振动信号的特征向量组,包含振动事件的振动信息,作为事件类型的特征输入。4.本文针对分布式光纤传感系统的灵敏度高、误报率高的特点,采用一种二级分类器设计。通过支持向量机(Support Vector Machine,SVM)分类方法进行一级分类,区分环境干扰及人为干扰;根据人工智能中的机器学习算法,采用集成学习算法作为第二级分类器,进行随机森林和梯度增强决策树(Gradient Boosting Decision Tree,GBDT)两种分类器设计,通过调节分类器参数,确定分类器模型,并对比不同模式识别模型准确率,在工程应用中,针对不同的应用场景需求,灵活选取。5.本文搭建实验环境,采集环境、振动信号作为实验数据,经过特征提取方法获得3000组振动特征向量,将其中的80%数据作为训练样本数据,20%作为测试样本数据,通过交叉验证的方式,对分类器参数进行调优,获得分类器模型。对未知振动信号进行模型检测,两种分类器的准确率在相同样本数据的情况下,均达到97%以上。

关键词： 低频振荡   LMS算法   变步长   最大相关熵   变核宽  

摘要： 随着工业的发展和人民生活水平的提高,整个社会对电力的需求日益增加。全国性的电网互联,远距离、大容量输电成为发展的必然趋势,但这也为电力系统低频振荡的发生创造了条件,而越来越多的高增益励磁机的应用更是增加了低频振荡发生的可能。低频振荡会给电力系统的稳定运行带来严重的威胁,因此判断一个电力系统是否发生低频振荡是当前电力系统稳定分析的一个热门问题。本文采用自适应滤波算法对电力系统低频振荡模式进行识别。本文对电力系统低频振荡的定义、发生机理、分析方法和抑制措施进行了综述。对自适应滤波器的结构与工作原理进行了介绍,对最速下降法、最小均方算法及递归最小二乘算法进行了推导分析。介绍了自适应滤波算法应用于电力系统低频振荡模式识别的原理及流程。搭建了新英格兰10机39节点系统。将基于最小均方算法的自适应滤波应用于该系统低频振荡模式的识别中,验证了该算法的有效性。同时指出定步长的最小均方算法存在着收敛速度与稳态误差难以平衡的矛盾,小步长收敛速度慢,大步长稳态误差大导致识别准确度下降。由此引出本文提出的一种基于Sinh函数改进的变步长最小均方算法,该算法在保证识别准确度的同时也拥有较快的收敛速度。当输入自适应滤波器的信号中存在异常数据或动态数据时,基于最小均方算法的自适应滤波器将无法对低频振荡模式的信息作出准确辨识,算法的鲁棒性较差。本文将最大相关熵的思想引入算法,使之在有扰动的情况下依然可以对低频振荡模式进行较为准确的识别。最大相关熵算法能够抗扰动的原因是其采用了高斯核,而高斯核的核宽度参数对算法的影响与最小均方算法中的步长因子类似,为保证算法具有抗扰动的能力的同时加快算法的收敛速度,本文提出一个基于Tanh函数改进的变核宽最大相关熵算法,使算法在对振荡模式的识别中有更好的鲁棒性,并拥有有较快的收敛速度。

关键词： 智能井盖   防盗损   声音识别   物联网   系统  

摘要： 井盖承担着保障井下设施完善和保护井上行人和车辆安全的重要角色,然而近几年来偷盗和损坏窨井盖的现象时有发生,盗损窨井盖不仅严重威胁过往行人和车辆的生命财产安全,而且属于破坏公共财产的违法行为。智能井盖作为智慧市政架构中重要的一员,它的应用虽能在一定程度上抑制盗损现象的发生,但其采用的振动传感器不能有效地分辨行人和车辆引起的正常振动和遭受盗损时产生的非正常振动,极易产生误报警现象。通过观察,窨井盖在两种振动状态下产生的声音有所不同,因此利用声音的差异对窨井盖盗损情况进行监测识别具有可行性。本文根据声音识别技术原理,先分析声音信号可提取的特征参量类型,结合物联网系统实时性、准确性和易于硬件实现的要求进行比较,选取合适的特征参数,并选择3层筛选的方法对声音信号进行识别;同理基于上述要求比较现有的识别算法,根据所选算法的不足结合物联网的要求提出改进方案。最后在选定特征参数和识别算法后,设计物联网声音识别防盗损监测系统,通过实验验证整个监测平台的功能性和准确性。本研究的主要工作如下:1)从识别率、识别速度、提取难易程度和是否便于硬件实现等要求比较声音信号可提取的特征参量,最终选用响度、频率和音色进行窨井盖声音识别;选用3步筛选法进行声音识别不仅能保证识别准确度,而且极大地节省了识别的时间;2)传统DTW算法应用刁于声音识别存在着识别率不够高和识别速度不够快的不足,本文提出通过增加模板数量、增设失真度阈值和改进失真度对比策略来提高DTW算法的识别准确度和识别速度;3)设计了基于声音识别技术的智能井盖防盗损监测系统,系统以STM32平台为核心,搭配使用分贝检测模块、音频模块和无线传输模块;软件以LabVIEW图形化编程环境作为开发平台,编写了人机交互控制界面,其设计的主要功能包括参数设置、数据实时采集和存储,提取特征参数和模式识别部分则调用MATLAB软件进行处理;由于传统智能井盖不能有效地分辨正常振动和非正常振动,本文基于两者振动声音的差异利用声音识别的方法解决该问题。本文利用响度、频率和音色作为特征参量进行3层声音筛选识别,在音色识别部分采用DTW算法进行判别,并设计制作了物联网智能井盖声信号识别防盗损监测系统,实验证明该系统能实现声音识别的目标,能基本满足窨井盖防盗损的应用要求,可为其他基于声音识别技术的智能市政和安防系统提供一定的数据参考和技术支撑。

关键词： 行星齿轮   退化   状态识别   变分模态分解   特征提取   局部降维算法   模式识别   支持向量机   核极限学习机  

摘要： 制造业是国民经济的主体,是立国之本。在我国经济发展进入新常态之际,制造业发展面临新挑战,其未来发展方向是信息技术与制造技术的深度融合,这就意味着机电设备未来将向智能化发展。而行星齿轮作为机电装备传动系统中重要组成部分,是机电装备主要保养维护的部件之一。为防止齿轮从正常状态退化至严重状态,造成严重的后果,因此研究行星齿轮退化状态识别方法就具有重要的现实意义。行星齿轮传动是一种较为复杂的齿轮传动,且常处在较为恶劣,复杂的工作环境中,所以行星齿轮振动信号分析相比定轴齿轮信号分析更为复杂。由于行星齿轮啮合所产生的振动信号一般具有非平稳非线性的特点,且同种故障发生退化时经历的各种退化状态特征差异较小,导致行星齿轮退化状态识别准确率不高。因此,本文以行星齿轮太阳轮为研究对象,研究一种可以准确识别行星齿轮退化状态的方法,主要研究内容如下:(1)首先介绍了传统的离散小波分析(Discrete Wavelet Transform,DWT)信号处理方法,进而引出了小波分析依赖小波基的选择,不具有自适应性的缺点。然后介绍了一种具有自适应时频分析的经验模态分解(Empirical Mode Decomposition,EMD)方法,且EMD可对非线性非平稳振动信号的做信号分析。但是EMD在分解过程中存在模态混叠和端点效应问题。进一步,针对模态混叠问题,在EMD基础上的改进算法总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)被提出;针对端点效应问题,局部均值分解(Local Mean Decomposition,LMD)被提出。虽然EEMD和LMD都继承了EMD的自适应性,但是两种算法本质上仍然是递归模式分解。为避免递归分解所导致的分解误差,本文引入了变分模态分解(Variational Mode Decomposition,VMD)分析方法,该方法不但具备良好的自适应性,且能够精确分析出信号中相近频率成分,相比较DWT,EMD,EEMD和LMD等分解方法,更适合处理非线性非平稳的齿轮振动信号。(2)针对行星齿轮在同一种故障模式不同退化状态之间特征差异较小问题,本文提出一种基于VMD-多角度特征融合的行星齿轮退化状态的特征提取方法。基于行星齿轮综合模拟实验台采集不同退化状太阳轮振动信号,通过VMD对不同退化状态的太阳轮振动信号进行信号分析,然后采用多尺度模糊熵,能量熵和边际谱频带能量特征提取方法,提取不同退化状态齿轮在时频域、时域和频域的特征信息,三个角度的特征中都包含特征差异较大特征信息。最后,将这三个角度所提取的特征向量融合成一个从多角度反映退化行星齿轮的高维特征向量,实现退化齿轮特征的全面提取。(3)针对高维特征向量的可能造成分类器识别在训练过程中可能出现过度拟合问题,引入局部降维算法对高维特征数据集进行维数约简。本文分别采用局部保持投影(Locality Preserving Projections,LPP),Hessian局部线性嵌入算法(Hessian Locally Linear Embedding,HLLE)和线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)三种局部降维方法,对基于VMD-多角度特征融合所提取的高维特征进行降维处理得到低维特征。通过ANFIS对低维行星轮退化特征进行模式识别,通过定量分析选择识别精度最高所对应的降维方法应用于行星齿轮退化状态识别。(4)为了提高行星齿轮退化状态的识别效果,采用粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)的惩罚因子和核参数进行优化,将其作为分类器对所选的局部降维方法降维得到的行星齿轮低维特征进行模态识别。同时,采用通过核极限学习机(Kernel Extreme Learning Machine,KELM)对降维后的行星齿轮退化特征向量进行状态识别。并对比两种识别算法的识别率,寻求识别效果更优的分类器用于行星齿轮退化状态识别。最终,通过分析发现基于VMD-多角度特征融合-LLTSA和PSO-SVM的行星齿轮退化状态识别方法能够更准确的识别太阳轮不同退化状态。本文最后对所研究内容做了总结,并对相关技术研究进行了展望。

关键词： 自适应Lasso   加权约束   流形规整   特征选择   模式识别  

摘要： 随着科学技术的不断发展,在真实世界中存在很多高维度的数据,例如生物信息学中的基因序列、时间序列以及高光谱遥感数据等。虽然高维数据比低维数据拥有更多的数据量,但是对于某个特定的识别任务来说,高维数据中的很多特征都是冗余的且与当前任务无法产生联系的无效特征,还有很多冗余的与任务不相关的无效特征,甚至是影响分类精度的噪声特征。因此,如果直接对这些高维数据操作会面临很多的困难,最直接的表现就是维数灾难问题。此外,在实际应用中,如果直接操作高维数据,大多数的学习算法的计算开销以及时间开销会随着特征维数的增高而不断增加,模型也会越复杂,算法的推广能力自然也会下降。为了解决高维数据所面临的问题,特征选择技术随之产生。特征选择的含义是,为实现降低特征空间维数的目的,从原始特征数据集中选出那些与识别任务相关的、有代表性的特征的过程,它是模式识别中的关键的数据预处理步骤,同时也是提高学习算法性能的有效手段。迄今为止,研究群体为了从高维特征中挑选出相关的、有代表性的特征,提出了大量的特征选择方法。如Lasso方法,Adaptive Lasso方法,全局冗余最小化(GRM)方法,等等。近年来,多标签学习在各种实际应用场景中也得到了广泛的使用,重点研究了一个样本同时属于多个类别或者是多个标签的问题。对于多标签数据呈现出来的大量特征,研究者们也从不同的方面提出了大量的特征选择方法,如Lin等人提出了一种基于最大依赖和最小冗余(mRMR)的多标签特征选择方法,Liu等人提出了一种在线多标签组特征选择算法,等等。基于前人的研究成果,本文提出了一个不一样的特征选择方法,并在文中给出了合理有效的迭代求解算法。本文的主要研究内容如下:(1)基于传统Lasso以及扩展的Lasso特征选择方法所存在的缺陷,选择将样本特征与类别之间的相关性作为约束,在传统Adaptive Lasso模型中加入权重约束,提出了扩展的自适应Lasso(EALasso)特征选择方法,该方法不仅可以处理两类样本的特征选择问题,还可以处理繁杂的多类别多标签特征选择问题。在优化目标函数的过程中,对回归系数加权,当权重确定后,在/2.1-norm的约束下,为了尽可能达到行稀疏,权重矩阵中值比较大的元素所对应的稀疏系数矩阵中的值就会被压缩为0,所以那些回归系数被估计为0的特征就会被自动删除,从而达到特征选择的目的。对于EALasso,文章中还提供了有效的迭代求解算法以及相对应的收敛性证明。在这一部分,分别在多类别单标签数据集上以及多类别多标签数据集上以不同的判别方式证明了本章所提出方法的有效性。(2)基于考虑到数据之间的固灯联系和局部结构信息对数据本身的直接影响,这一部分,将EALasso方法做了进一步地扩展,提出了基于流形规整的自适应Lasso(MrALasso)特征选择方法,在这一部分中,在目标函数中添加了图规整项是希望原空间中相近的样本点在低维空间中也尽可能相近,同时也增加了数据之间的固有联系和局部结构信息,并提出了有效的迭代求解算法以及相应的收敛性证明。在多个相关基因数据集上的实验结果表明,本文提出的算法的效果要优于其他相同领域的特征选择算法。然而,MrALasso只能解决包含两类样本的特征选择问题。(3)这一部分,进一步将MrALasso从两类别的情况扩展到了多类别的情况,提出了扩展的基于流形规整的自适应Lasso(EMrALasso)的多类别选择方法,并提供了有效的迭代求解算法以及相应的收敛性证明。实验结果在多个多类别数据集上证实了EMrALasso方法的有效性。

关键词： 电磁发射   模式识别   图像处理  

摘要： 本文将电磁发射技术和图像识别技术相结合,利用openMV的机器视觉模块完成了识别、追踪和测距等工作,设计了一款能自动识别目标并锁定的电磁曲线抛射装置.

关键词： 表面肌电信号   噪声   模式识别   机械手   神经网络   康复训练  

摘要： 世界上每年都会有很多人因为意外导致肢体伤残,而手部伤残对人们的生产和生活有极大的影响。手部功能障碍可以通过康复训练达到康复的目的,但传统人工辅助康复训练的方式成本较高,而使用机器代替人工帮助患者康复训练的方式显得经济又方便。传统的康复机械手采用“被动训练”方式,患者的手指由外骨骼机械手拉动而被动运动,这种方式没有加入自我意识的“主动训练”方式效果好。本文设计并实现了一个由表面肌电信号控制的外骨骼康复机械手,它能帮助患者利用自己的意识控制外骨骼手完成一些动作。本文对肌电控制机械手中提升信号质量的方法、特征选择、模式识别以及主动控制方法等几个关键问题进行了研究。从对表面肌电信号的采集分析出发,根据手功能障碍患者的临床特征设计了康复动作,根据手臂肌肉解剖图合理布置四通道采样电极的放置位置,同时为平衡采样信号的质量与控制程序运算量,选择了600Hz为采样频率,并设计了合理的采集方案。通过计算采样信号的类内和类间距离,利用距离可分性判据选择了可分性较好的方差特征作为肌电控制的分类特征。针对表面肌电信号中包含的大量噪声干扰,采用实时数字陷波的方式滤除工频噪声,将表面肌电信号的信噪比大幅提升,并利用盲源分离方法去除通道串扰,排除了通道串扰的影响。除此之外,还利用高通滤波法去除运动伪迹,利用BP神经网络对表面肌电信号进行模式识别,动作识别率达到97.6%,利用双阈值法检测动作的发生,并设计了实时肌电控制方案。本文着重研究了表面肌电信号噪声与串扰的去除方法,为设计康复机械手的肌电控制方法提供了方便,并利用人工神经网络为康复器训练了六种康复动作。在以后的研究中还需要进一步提升信号质量,尤其是对于手部功能障碍患者,他们手臂的表面肌电信号要比健康人的弱很多,噪声对信号的影响也更大。要从微弱的信号中提取信息,必须想办法消除掉噪声的影响。在使用体验上,进一步提升产品的识别率,把肌电控制机械手做到更加轻便小巧。此外还可以加入在线训练,在识别率下降的时候,重新进行训练,恢复康复手的识别率。鉴于主动式康复训练器拥有更多优良特性,在以后会逐渐取代被动式康复训练设备成为康复训练的常用设备。