|
D模型和组件
大规模部署低成本假肢的手册现在可以在互联网上找到。网站，如
e-NABLE[7]提供了机械式假肢制造手册。其中一种设计是
如图1.1所示。弯曲手腕或肘部可通过电缆结构触发假手闭合。
手允许使用者将假肢装置用于简单的应用，例如，握住物体或骑马
自行车。像伸展食指按下按钮或做手指手势这样的精细动作是不可能的。
图1.1：一个开源3D打印假手机械驱动。
因此，需要另一种控制假肢的方法。肌电图（EMG）是一种很有前途的技术向量x与
计算训练集D。考虑K个最小距离。如果测试和培训属于同一类
指标函数（3.8）为1。将正确分类的总和除以K，得出c类的概率。
p（y＝c|x，D，K）=
1.
K
十、
我∈NK（x，D）
I（yi=c）（3.7）
我（e）=
¨
1如果e为真
0 i f e为假
(3.8)
如果训练数据D属于一个假定类别c，则该等式给出了可能性
必须计算组合。之后，属于最大似然的类是预测类。
c∗ = arg最大值
c∈C
{p（y＝c|x，D，K）}，（3.9）
其中c∗ 是预测类[4]。当K＝1时，该算法被简单地称为最近邻（NN）。在这种情况下，
这个决定是基于一个简单的观点。在有噪声的数据中，神经网络往往表现得很差，因为它过盈。另一方面
过大的K值会平滑决策边界，并对分类的分辨率产生不利影响。
3.3支持向量机
在最简单的形式中，支持向量机（SVM）是一种二进制分类器，它可以区分两个线性
可分离类。如果在训练之前对数据应用核函数，它也可以用作非线性分类器
以及测试。由于支持向量是在训练步骤期间计算的，这表示
对于时间关键型应用，SVM可能比KNN更快地进行分类。
9
图3.2：该图显示了将两个类加（+）和减（-）分开的超平面。这是一个例子
二维情况。圈出的数据点是支持向量[4]。超平面由
w⊤x+b=0，边距宽度d=2m
||w||。
支持向量机背后的思想是找到一个将两个类分开的决策边界
边界的宽度尽可能宽。超平面
w⊤x+b=0，（3.10）
其中w是正态项，b是偏置项。边距的宽度是距离
之间
w⊤x+b+m＝0和
w⊤x+b− m＝0。
(3.11)
其定义如下
d天=
200万
||w（重量）||
. (3.12)
为了最大化决策边界，||w||必须最小化，因此1
2||w||2也可以最小化[4]。这导致
遵循二次约束优化问题
（w）∗, b∗) = arg最大值
w、 b）
1.
2.
||w||2（3.13）
服从yi（w·x
我− b）≥ 1, 1 ≤ 我≤ n
它可以用拉格朗日函数求解
（w，b，1，…，n）=
1.
2.
||w||2−
Xn公司
i=1
i（yi（w·x
我− b）− 1)
=
1.
2.
||w||2−
Xn公司
i=1
依（w·x
i）+
Xn公司
i=1
i一b+
Xn公司
i=1
我
=
1.
2.
w·w−w（重量）·
‚
Xn公司
i=1
依依
x（x）
我
Œ
+b）
‚
Xn公司
i=1
依依
Œ
+
Xn公司
i=1
（3.14）
为了最大化拉格朗日函数，必须计算关于w和b的梯度。
∇w、 b）
（w，b，1，…，n）=0
(3.15)
10
求解所得方程组
@
@w（重量）
= 0
@
@b）
= 0 (3.16)
w−
Xn公司
i=1
| 
