论文部分内容阅读
骑马运动早有运动之王的美誉，然而受到场地、饲养成本等因素限制，难以推广。因此，研究模拟骑马运动装置的意义重大。骑马本身既可达到运动健身效果，也可应用到康复治疗，临床试验也确认了它的有效性。本文主要借助一种新型正交6-PSS机器马并联平台模拟骑马运动，在运动中通过采集骑乘者的生理指标信息，并将生理指标进行信息融合以分析、研究和判断骑乘者在运动中的生理反映，并以此作为反馈量控制机器马的运动轨迹、姿态及速度。经过仿真和实验研究，在安全骑乘和增进健康上均达到了较好的实际效果。具体的研究工作主要包括以下几个方面：(1)对人在运动中的生理指标变化与运动效果的关系进行了分析，利用人体运动时心率、血压、血氧饱和度等生理指标的变化来评判运动效果。采用不同的算法来实现各种同类或异类生理指标数据的时间配准，提高了时间配准后数据的准确性和稳定性。(2)分析了仿生机器马健身器在实验的初始阶段和实际应用的后续阶段对信息融合性能的不同需求，将改进的BP神经网络和支持向量机两种融合算法相结合，应用于仿生机器马健身器的骑姿寻优控制中，以满足仿生机器马在实验的初始阶段对自学习能力的要求，以及实际应用的后续阶段对信息融合快速准确性的要求.(3)在BFGS算法中调用改进的牛顿下山法模块，舍弃常规BFGS方法中所执行的一维搜索，使得学习算法保持下降方向，并有总体收敛的性质。利用该改进的BFGS算法替代传统的梯度下降法学习BP网络权值，提高了信息融合的速度和准确性。(4)针对BP网络的收敛速度和模型精度易受到初始参数(包括权值和阈值的)影响，采用改进的蚁群算法寻找最优的BP网络初始参数。在该改进的蚁群算法中，引入了可行搜索空间，通过在迭代后期持续缩小可行搜索空间，并保存上次迭代的最优值，帮助其跳出局部极值点。其既继承了传统蚁群算法模型简单、参数少、易于实现的优点，又克服了传统蚁群算法局部搜索能力差、收敛速度低、易陷入局部极值的缺点，具有更好的全局寻优能力。(5)利用一种基于概率密度函数的势阱帮助粒子群中的粒子收敛，提高种群的多样性和粒子搜索的遍历性，提高了算法的收敛速度和精度。采用该优化算法选取支持向量机的最优参数，确保了支持向量机具有较好的分类精度和泛化能力。(6)分析了基于运动平台的动力学模型设计控制器的可行性，将模糊自适应PID应用于支链位置闭环控制中，实现对机器马运动平台的动态实时控制。并利用高性能运动轨迹采集装置采集马的运动轨迹，使六自由度并联机器马运动平台可以较为真实地再现马的多种运动姿态，同时利用骑马者的生理信息融合结果控制机器马的运动速度及姿态，以达到最佳运动效果。