期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于1D-CNN-SVM的下肢外骨骼步态信息识别研究
1
作者
崔占贺
艾莉莎
+2 位作者
马欣雨
田天齐
王松
《电子测量技术》
北大核心
2025年第12期71-78,共8页
下肢外骨骼的步态识别是实现人机协同控制的关键技术,然而现有步态识别方法在处理一维时序数据时面临局部特征提取效率不足、小样本泛化能力弱以及模型计算开销大等挑战。针对上述问题,本文提出一种基于1D-CNN-SVM的混合模型,通过一维...
下肢外骨骼的步态识别是实现人机协同控制的关键技术,然而现有步态识别方法在处理一维时序数据时面临局部特征提取效率不足、小样本泛化能力弱以及模型计算开销大等挑战。针对上述问题,本文提出一种基于1D-CNN-SVM的混合模型,通过一维卷积神经网络(1D-CNN)自动提取一维时序数据的局部特征,并利用支持向量机(SVM)在小样本条件下实现高鲁棒性分类。实验结果表明,该模型在自定义步态数据集上的总识别率达到99.00%,相较传统SVM模型和单一1D-CNN模型分别提升5.67%和7.99%。另外该模型参数量仅为26156,单样本推理时间低至0.06 ms,显著优于1D-CNN-LSTM混合模型。本研究为下肢外骨骼的步态识别提供了一种在小样本条件下依然兼具泛化能力、识别能力与轻量化的解决方案。
展开更多
关键词
下肢外骨骼
步态识别
支持向量机
一维卷积神经网络
在线阅读
下载PDF
职称材料
题名
基于1D-CNN-SVM的下肢外骨骼步态信息识别研究
1
作者
崔占贺
艾莉莎
马欣雨
田天齐
王松
机构
北京邮电大学物联网监测预警应急管理部重点实验室
北京邮电大学
网络与交换技术全国
重点
实验室
出处
《电子测量技术》
北大核心
2025年第12期71-78,共8页
基金
中国高校科技期刊研究会专项(CUJS2024-GJ-A01)
北京邮电大学基本科研业务费(2024ZCJH06)项目资助。
文摘
下肢外骨骼的步态识别是实现人机协同控制的关键技术,然而现有步态识别方法在处理一维时序数据时面临局部特征提取效率不足、小样本泛化能力弱以及模型计算开销大等挑战。针对上述问题,本文提出一种基于1D-CNN-SVM的混合模型,通过一维卷积神经网络(1D-CNN)自动提取一维时序数据的局部特征,并利用支持向量机(SVM)在小样本条件下实现高鲁棒性分类。实验结果表明,该模型在自定义步态数据集上的总识别率达到99.00%,相较传统SVM模型和单一1D-CNN模型分别提升5.67%和7.99%。另外该模型参数量仅为26156,单样本推理时间低至0.06 ms,显著优于1D-CNN-LSTM混合模型。本研究为下肢外骨骼的步态识别提供了一种在小样本条件下依然兼具泛化能力、识别能力与轻量化的解决方案。
关键词
下肢外骨骼
步态识别
支持向量机
一维卷积神经网络
Keywords
lower limb exoskeleton
gait recognition
support vector machine
one-dimensional convolutional neural network
分类号
TN701 [电子电信—电路与系统]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于1D-CNN-SVM的下肢外骨骼步态信息识别研究
崔占贺
艾莉莎
马欣雨
田天齐
王松
《电子测量技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
