基于软计算的sEMG至SFAP分解算法-控制理论与控制工程专业论文.docxVIP

摘 摘 要 近年来，国内外每年都有大量的关于sEMG信号分解的文章发表。他们研 究的目标是将sEMG信号分解为MUAP或MUAPT，通过动作模式识别控制假 肢。很少有学者将sEMG信号分解为SFAP。sEMG信号分解至SFAP在疾病诊 断、针灸治病机理分析以及假肢控制等方面具有重要意义。 本文在Graupe D．和Huang Q等研究的基础上，提出了一种新的基于RBF神 经网络和遗传算法的sEMG至SFAP的分解算法。Graupe D．等巧妙地运用了 sEMG信号可以近似用若干Gaussian函数的和表示的特点，以Gaussian函数作 为Hopfie|d神经网络的节点函数，运用Hopfield神经网络拟合sEMG信号。通 过曲线拟合，将sEMG信号分解为若干Gaussian函数，聚类处理后就得到了组 成sEMG信号的SFAP。本文基于同样的思路，采用具有全局逼近性能和最佳逼 近性能的RBF神经网络拟合sEMG信号，避免了Hopfield神经网络易陷入局部 最优解的缺点，加快了算法的收敛速度，提高了拟合的精度。为了提高算法的精 度，本文采用参数优化能力强的遗传算法训练RBF神经网络的权值和节点函数 参数。 另外，本文在肌肉电生理学研究的基础上提出了sEMG至SFAP的可分解性 定理，指出了在轻度收缩条件下sEMG至SFAP可分解且分解结果唯一，为算法 的设计提供了理论依据。 关键