-
摘要: 扑翼飞行器（Flapping-wing air vehicle，FAV）即通过模拟昆虫以及鸟类飞行方式而制造的仿生机器人.与常见的固定翼和旋翼飞行器相比，具有效率高、质量轻、机动性强、耗能低等显著优点，是飞行器发展的重要方向.关于扑翼机的研究始于上世纪后期，现如今从理论探索到机体开发都有了可喜的成果.本文首先介绍了世界领先的几款扑翼飞行器的特点，接着简述了扑翼飞行器在动力学、能源、控制等方面的发展现状，并对未来的研究方向做出了展望.Abstract: The flapping-wing air vehicle (FAV) is a sort of bionic-robot, which simulates insect and bird flight. Comparing with fixed and rotary-wing aircraft, FAV is characterized by efficiency, low mass, high flexibility and energy conservation, and is a major trend of the aircraft development. The study of FAV can date from the end of 20th century. And now, great achievements have been made both in the theoretical research and modeling. This overview introduces the characters of the leading FAVs in the world, followed by an overlook and outlook of the aerodynamics, energy-supply and control problem for FAVs.
-
Key words:
- Flapping-wing air vehicle (FAV) /
- aerodynamics /
- fight control /
- flexible structure /
- vibration control
-
据世界卫生组织统计, 2012年全球约有17.5万人死于心血管疾病, 占全球死亡人数的31 % [1].为降低心脏疾病的发生, 预防性的前期诊断是关键.心电图作为一种重要的非侵入式心电检测工具被心脏专家广泛使用.通常情况下, 针对短时心电图可通过视觉观察来识别各种心电信号异常的各种症状.但是, 随着便携式心电图(例如, Holter、Loop recorder)的广泛使用, 因其可连续记录24小时、48小时, 甚至14个月的心电信号记录[2].面对庞大的数据, 采用传统的视觉方法判断心脏疾病已不可能, 取而代之的是采用智能化的心电信号自动分类技术.
心电信号自动分类系统通常包括5个阶段, 包括心电信号采集、预处理、心跳分段、特征提取和降维、自动分类, 如图 1所示.心电信号采集可综合利用智能硬件、物联网等核心技术远程采集心电信号数据, 汇入医疗健康数据仓库.心电信号预处理主要去除心电信号的各种噪声, 为后续阶段处理提供干净的信号信息, 去除的心电噪声主要包括基线漂移、工频干扰和高频噪声等[3].心跳分段的目的是提取每个完整的心跳周期波形, 需要检测P波、QRS波群和T波等关键点[4].针对心电信号预处理和心跳分段技术, 已有众多学者在文献中进行了研究并得到了广泛应用, 本文重点研究心电信号特征提取和自动分类两方面技术.在心电信号特征提取方面, 近十年来大量文献提出了各种方法, 包括心电信号形态特征[3]、时间间隔特征[5]、小波变换特征[6]和高阶统计特征[7]等.为获取更有效的特征集合, 在分类系统应用中往往组合运用多种类型的心电信号特征, 为此, 特征降维方法, 例如主成分分析、独立成分分析等[6-9]常应用于上百心电特征的关键特征提取中.在心电信号自动分类技术方面, 以低维特征空间为基础, 分类模型多采用各种智能算法, 例如人工神经网络[9]、最近路径森林[10]、群智能算法[11]和模糊分类[12]等.
从以上提到的各种文献来看, 尽管各种心电信号分类系统在特定心电信号数据集(例如, MIT-BIH、AHA和CSE数据库等)取得较高的准确率.但仍然面临以下几个问题: 1)特征提取的过程通常需要心脏专家的参与, 导致时间和费用成本的增加; 2)因心电特征需人工设计, 可能造成源心电信号特征信息丢失; 3)构建的心电信号分类模型对不同病患者具有低适应性的缺陷.针对上述问题, 近年来, 随着深度无监督特征提取技术的深入研究, 基于深度学习技术的心电信号自动分类系统得到广泛关注.
深度学习方法思想是对输入层数据可自动学习特征的过程.与传统方法相比, 深度学习已在图像识别[13]、语音识别[14]和生理数据分析[15]等方面取得较好的成绩.典型的深度学习框架包括深度信念网络(Deep belief network, DBN) [16]、栈式自编码器(Stacked auto-encoder, SAE) [17]和卷积神经网络(Convolutional neural network, CNN) [18]等.基于深度学习方法进行心电信号自动识别已有众多学者开展研究, 并取得了较好的结果.例如, Kiranyaz等[19]采用一维卷积神经网络提取信号特征为特定病人进行心电异常实时诊断; Rahhal等[15]提出采用栈式自动编码器从源心电信号中学习特征进行心电信号分类, 并用Softmax算法实现多心律分类; Yan等[20]和Meng等[21]均基于受限玻尔兹曼机(Restricted Boltzmann machine, RBM)构造的DBN提取心电特征, 在分类技术方面, 前者使用Softmax多分类器, 后者使用支持向量机决策树.从上述文献来看, 基于无监督深度学习的心电特征提取技术相对于传统的人工特征设计方法优势突出, 而在心电信号分类技术方面, 仍旧难以体现心电信号模糊分类特性.传统心电信号异常诊断中, 医生的诊断过程本身具有模糊性, 而且大量复杂多样心电信号中异常心跳属于少数.因此, 采用具有对稀有数据敏感特性、模糊性和更符合人类思维过程的模糊聚类过程算法进行心电信号分类得到广泛研究. Özbay等[22]结合模糊C均值(Fuzzy c-means, FCM)聚类算法和多层感知机对多种心电信号分类; Yeh等[23]利用FCM算法对异常心电分类并给出了4个详细的聚类步骤.本文综合深度学习与模糊分类技术的优势, 提出一种结合深度学习和模糊C均值技术的心电信号分类方法.首先, 描述了该方法的技术流程, 包括心电信号降噪预处理、心电信号分段和采样点统一化、无监督心跳特征学习、模糊分类等; 然后, 提出模糊C均值深度信念网络模型结构和算法, 介绍了面向心电信号特征提取的深度网络DBN构建方法和面向心电信号的模糊C均值分类方法; 最后, 基于MIT-BIH心律异常数据库进行仿真实验, 验证该方法的有效性.
1. 提出的方法
本文基于深度学习和模糊C均值的心电信号分类技术流程如图 2所示, 心电信号降噪预处理、心电信号分段和采样点统一化、无监督心跳特征学习、模糊分类4个步骤依次推进、相互依赖, 每个步骤都影响着最终分类结果的准确性.
图 2 基于深度学习和模糊C均值的心电信号分类技术流程Fig. 2 The process of ECG classification using deep learning and fuzzy C-means1.1 心电信号降噪预处理
采集的心电信号通常需要去除基线漂移、肌电噪声和工频噪声等干扰信号, 提高波形检测和分类准确率.从去噪预处理技术发展来看, 主要包括数字滤波器技术、自适应滤波器技术和以小波变换、数学形态学及神经网络为代表的现代高新滤波技术.由于数字滤波器具有很好的系统可靠性、低廉的设计成本及灵活方便的应用性等优点, 是心电信号预处理最简单且广泛的应用技术.本文按照de Chazal等[3]提出的降噪预处理方法, 先用200 ms中值滤波去除QRS波群和P波, 然后再用600 ms的中值滤波去除T波, 最后用源信号减去两个中值滤波后的信号即可得到去除基线漂移心电信号, 肌电和工频噪声信号使用带有35 Hz、3 dB、12-tap低通滤波器去除, 最后得到可用于后续处理的心电信号.
1.2 心电信号分段与采样点统一化
心电信号分技术已有三十多年的研究历史, 主要围绕P波峰和QRS波群的检测来展开. Pan等[4]提出了一种基于数字滤波的检测方法, 可有效检测P、QRS和T波的波峰、上下沿等关键点, 该方法因其简单性和有效性得到广泛应用.本文利用基于该方法开发的Ecgpuwave工具"http://www.physionet.org/physiotools/wag/ecgpuw-1.htm"识别心电信号各种波形边界, 以实现心电信号心跳分段.根据检测获取的各个关键点计算后, 可容易分段各心跳样本.因不同的个人身体状况具有不同的心跳周期, 分段后的样本具有不同的采样点数目, 而心电特征抽取模型需要统一的输入.为此, 需要对心跳样本进行采样点统一化处理, 本文采用插值算法对获取到的心跳样本统一化为200个采样点.
1.3 无监督心跳特征学习
无监督特征学习可自动抽取无标签样本特征, 相对人工设计特征的方式能够更好地发现潜在特征, 且减少数据专家参与, 具有省时、省力, 降低数据分析成本的优点.目前, 具有无监督特征学习能力的数据模型结构有多种, 例如受限玻尔兹曼机(RBM) [16]及其扩展模型条件RBM [24]、门限RBM [25]、自动编码器(Auto-encoder, AE) [26]、循环神经网络(Recurrent neural network, RNN) [27]等.本文采用具有无监督特征学习能力的DBN抽取心电信号的高层抽象特征, 该DBN由多层高斯伯努利RBM (Gaussian-Bernoulli RBM, GBRBM)和伯努利伯努利RBM (Bernoulli-Bernoulli RBM, BBRBM)堆栈而成, 最底层GBRBM用于接收连续值心电信号, 最顶层使用线性激活函数输出连续特征向量, 构建过程包括无监督模型训练和有监督模型优化微调两个阶段.
1.4 心电信号模糊分类
近年来, 模糊系统在医疗健康领域得到广泛应用, 用于诊断和识别各种疾病, 例如帕金森疾病[28]、乳腺癌[29]和肝脏疾病[30]等.从文献来看, 无监督模糊分类技术不仅应用于医疗图像分段分析, 还广泛用于各种医疗体征信号的识别诊断中.例如, Meau等[31]基于多层感知机扩展了卡尔曼滤波, 构建了一套复杂的模糊系统用于心电信号分类. Ozbay等[32]利用模糊聚类神经网络进行早期心脏疾病诊断.本文以深度模型抽取的心电信号高层抽象特征为数据基础, 采用目前最为广泛使用的FCM算法进行心电信号分类. FCM算法最早在1973年由Dunn提出[33], 1981年Bezdek对该算法进行了优化[34], 被广泛应用于图像检索、语音识别和模式识别等领域.
2. 模糊C均值深度信念网络模型
分段采样点统一化后的心电信号数据集可表示为$s=[s^1, s^2, \cdots, s^{R+T}]$, 其中, $s=[s_1, s_2, \cdots, s_D]^{'}$表示每条心电信号采样数据, $R$是训练样本数, $T$是测试样本数, $D$是每条心电信号的采样点数.从$R$条训练样本中随机或主动挑选$L$条构成训练样本$X^L=[x^1, \cdots, x^L]$, 其中$1\le L\le R$.则对应的样本标签向量为$Y^L=[y^1, y^2, \cdots, y^L]$, 其中$y=[y_1, y_2, \cdots, y_c]^{'}$, $c$表示标签类数量, 其中$y_i $取值如式(1)所示.
$ y_i =\left\{ {{\begin{array}{*{20}c} 1, \\ 0, \\ \end{array}}{\begin{array}{*{20}c} \\ \\ \end{array} }{\begin{array}{*{20}c} x~\text{属于}~i~\text{类} \\ x~\text{不属于}~i~\text{类} \\ \end{array} }} \right. $
(1) 则网络模型的实现目标是基于采集的心电信号数据找到$X^L\to Y^L$的映射关系.本文提出的模糊C均值深度网络结构包括DBN抽象特征提取和FCM分类两部分, 如图 3所示.底层DBN网络模型由多层无方向的受限玻尔兹曼机(RBM)堆建而成, 含有一层可接收连续心电信号的可见单元和多层二值隐藏单元, 最后输出高层连续抽象特征向量, 为构建DBN模型通常需要无监督学习训练和模型微调两个阶段.顶层FCM分类模型以DBN输出的高层抽象特征为基础, 计算每类心电信号的聚类中心, 然后计算最短距离的方式进行心电信号的模糊分类, 为构建FCM模型一般需要计算心电信号聚类中心和中心距离计算两个阶段.
2.1 深度网络DBN构建
心电信号DBN模型采用经典的由低到高逐层贪婪无监督训练RBM方法, 对深度网络内的RBM参数进行设置. RBM作为DBN的基本模块具有很强的非线性无监督学习能力, 能够从复杂的数据中学习有用信息, 具备针对一组状态$(v, h)$的能量定义.模型第一层RBM因需要接收心电信号连续值, 则使用高斯-伯努利RBM (GBRBM), 其能量定义如式(2).模型其他层RBM均为伯努利-伯努利RBM (BBRBM), 其能量定义如式(3).
$ E(v, h;\theta _1 )= \sum\limits_{i=1}^n \frac{{(v_i -a_i )^2}} {2\sigma _i^2 } -\sum\limits_{j=1}^m {b_j h_j } -\\ \sum\limits_{i=1}^n \sum\limits_{j=1}^m \frac{{v_i } }{\sigma _i }h_j w_{ij} $
(2) $ E(v, h;\theta _2 )= \sum\limits_{i=1}^n \frac{{(v_i -a_i )^2} }{2\sigma _i^2 } -\sum\limits_{j=1}^m {b_j h_j } -\\ \sum\limits_{i=1}^n \sum\limits_{j=1}^m \frac{{v_i } }{\sigma _i }h_j w_{ij} $
(3) 其中, $v$表示RBM的可见层单元向量, $h$表示RBM的隐藏层单元向量. $\theta_1=\{w, a, b, \sigma\}$, $\theta_2=\{w, a, b\}$分别为GBRBM和BBRBM的参数向量, $W$表示RBM可见层单元和隐藏层单元之间的无向权值向量, $a$和$b$分别为可见层单元和隐藏层单元的偏置向量, $\sigma$为可见层单元高斯噪音的标准差向量. $n$表示可见层单元数量, $m$表示隐藏层单元数量.
因RBM具有层间连接、层内无连接的结构, 可方便计算第$j$个隐藏单元的条件概率和第$i$个可见单元的条件概率.则针对GBRBM和BBRBM, 条件概率计算公式分别为式(4)、(5)和式(6)、(7).
$ p(v_i =v\vert h, \theta _1 )=\eta \left(v\vert a_i +\sum\limits_{j=1}^n {h_j w_{ij} }, \sigma _i^2 \right) $
(4) $ p(h_j =1\vert v, \theta _1 )=\delta \left(b_j +\sum\limits_{i=1}^n {\frac{v_i }{\sigma _i^2 }w_{ij} } \right) $
(5) $ p(v_i =1\vert h, \theta _2 )=\delta\left (a_i +\sum\limits_{j=1}^m {h_j w_{ij} } \right) $
(6) $ p(h_j =1\vert v, \theta _2 )=\delta \left(b_j +\sum\limits_{i=1}^n {v_i w_{ij} } \right) $
(7) 其中, $\eta (.\vert u, \sigma ^2)$表示均值$u$和方差$\sigma ^2$的高斯概率密度函数, $\delta (x)$表示逻辑回归函数.
利用心电信号数据训练RBM目的是获取$\theta _1 $和$\theta _2 $参数值, 可根据Hinton提出的对比散度快速学习算法[35]使其对数似然函数在训练集上最大化, 则连接权重$w_{ij} $、可见层单元的偏置$a_i $和隐藏层单元的偏置$b_j $的更新准则为:
$ \Delta w_{ij} \approx \varepsilon \left(\left\langle \dfrac{v_i }{\sigma _i^2 }h_j \right\rangle_{data} -\left\langle \dfrac{v_i }{\sigma _i^2 }h_j \right\rangle_{\rm model} \right) \\ \Delta a_i \approx \varepsilon \left(\left\langle \dfrac{v_i } {\sigma _i^2 }\right\rangle_{data} -\left\langle \dfrac{v_i }{\sigma _i^2 }\right\rangle_{\rm model}\right ) \\ \Delta b_j \approx \varepsilon \left(\left\langle h_j \right\rangle_{data} -\left\langle h_j \right\rangle_{\rm model} \right) $
(8) $ \Delta w_{ij} \approx \varepsilon (\langle v_i h_j \rangle_{data} -\langle v_i h_j \rangle_{\rm model} ) \\ \Delta a_i \approx \varepsilon (\langle v_i \rangle_{data} -\langle v_i \rangle_{\rm model} ) \\ \Delta b_j \approx \varepsilon (\langle h_j \rangle_{data} -\langle h_j \rangle_{\rm model} ) $
(9) 依据DBN深度框架从低到高逐层训练RBM的方法, 在初始阶段各层之间的连接权重$w$和偏置$a, b$全部随机产生, 最顶层输出$h^t$即为心电信号的高层抽象特征, 如式(10)所示.
$ h^t=\delta (b^t+\sum {h^{t-1}w^t} ) $
(10) DBN无监督训练结束后, 使用$L$条有标签的心电信号样本通过梯度下降和反馈传播算法对参数进行优化微调以增强模型的分类性能, 此优化问题可用式(11)表达:
$ \theta ^{\ast }{=}\arg \min \sum\limits_{i=1}^L {\sum\limits_{j=1}^C {\exp (-\delta ^i(b_j^t +\sum {h_j^{t-1} w_j^t } )y_j^i )} } $
(11) 2.2 模糊C均值分类
设$H=\{h_1, h_2, \cdots, h_L\}$是通过深度DBN模型抽取的对应$L$条心电信号样本的抽象特征向量, 若抽象特征维度为$p$, 则$H$可用式(12)表示.
$ H=\left[{{\begin{array}{*{20}c} {h_{1, 1} } & {h_{1, 2} } & {\cdots} & {h_{1, p} } \\ {h_{2, 1} } & {h_{2, 2} } & {\cdots} & {h_{2, p} } \\ \vdots &\vdots & {\ddots} & \vdots \\ {h_{L, 1} } & {h_{L, 2} } & {\cdots} & {h_{L, p} } \\ \end{array} }} \right] $
(12) 本文利用FCM算法, 通过最小化目标函数(13), 不断更新隶属度和心电信号分类中心, 直到分类中心位置固定或两次迭代的目标函数值之差在允许的范围内.
$ J(H;U, V)=\sum\limits_{c=1}^C {\sum\limits_{l=1}^L {(u_{c, l} )^m(d_{c, l} )^2} } $
(13) 其中, $m$为模糊度参数, $U=(u_{c, l})_{C\times L} $为划分矩阵, 如式(14), $u_{c, l} $为属于类$c$的$h_l $特征向量的隶属度, 且满足式(15)的两个条件, $V=\{v_1, v_2, \cdots, v_C \}$为心电聚类中心向量集合, $v_c $可根据式(16)计算, $d_{c, l} $为$h_l $样本特征向量到心电类$c$中心$v_c $的欧氏距离.
$ U=(u_{c, l} )_{C\times L} =\left[{{\begin{array}{*{20}c} {u_{1, 1} } & {u_{1, 2} } & {\cdots} & {u_{1, L} } \\ {u_{2, 1} } & {u_{2, 2} } & {\cdots} & {u_{2, L} } \\ {\vdots} & {\vdots} & {\ddots} & {\vdots} \\ {u_{C, 1} } & {u_{C, 2} } & {\cdots} & {u_{C, L} } \\ \end{array} }} \right] $
(14) $ \left\{{{\begin{array}{*{20}c} {0\le u_{c, l} \le 1, \qquad 1\le c\le C, 1\le l\le L} \\ {\sum\limits_{c=1}^C {u_{c, l} =1, \qquad 1\le l\le L} } \\ \end{array} }} \right. $
(15) $ v_c =\frac{\sum\limits_{l=1}^L {(u_{c, l} )^mh_l } }{\sum\limits_{l=1}^L {(u_{c, l} )^m} }, \qquad 1\le c\le C $
(16) 2.3 模糊C均值深度信念网络算法FCMDBN
传统的模糊神经网络通过调整模糊参数$m$来优化隶属度函数以达到对目标数据进行分类的目的.而在模糊深度网络结构中, 针对心电信号分类需求, 模型的优化需要心电信号采样数据$L$、高层抽象心电特征向量$H$、模糊参数$m$和相应的标签向量$Y$协同建模与微调.
算法1描述了FCMDBN的训练和分类过程, 因采样得到的心电信号是连续值数据, 在初始化DBN阶段需设置最底层RBM类型为GBRBM, 其他层RBM类型为BBRBM; 隐藏层单元个数、模型层数、训练次数和批次大小等参数根据心电信号数据维度和样本集大小确定; 动量学习率、学习率、惩罚率和初始偏置等, 则需要经验赋初始值; RBM初始化权值向量则随机产生; 模糊分类个数和聚类终止阈值根据具体心电信号分类需求进行设置, 模糊度参数同样需经验赋值.
FCMDBN模型经过以下两个构建过程后可对心电信号类型进行分类:
1) 利用无标签和有标签的心电信号采样数据训练DBN模型, 获取心电信号类型的FCM划分矩阵.首先, 利用无标签采用数据对DBN模型进行逐层贪婪无监督学习和有标签采样数据对DBN模型进行梯度下降监督学习.然后, 依据获取的高层抽象心电信号特征向量数据计算每类心电信号的聚类中心, 构建划分矩阵.
2) 优化微调FCMDBN模型.结合反向回馈算法和FCMDBN模糊分类功能, 利用有标签的心电信号采样数据进行逐层贪婪学习和梯度下降学习后对FCMDBN模型参数进行调整优化.
算法1. ECG-FCMDBN
输入.训练样本$ds\_training=\{(x_l, y_l)\}_{l=1}^L $; 测试样本$ds\_testing=\{(x_t, y_t)\}_{t=1}^T $
FCMDBN参数:
每层RBM类型{GBRBM, BBRBM};
模型层数$n$; 每层单元个数$N_1, N_2, \cdots, N_n $;
训练次数$E$; 随机初始化权值向量$w$; 初始化偏置向量$a$, $b$;
动量学习率$\vartheta $; 学习率$\eta $; 惩罚率$p$; 批次大小$s$;
模糊分类个数$C$; 模糊度参数$m$; 聚类终止阈值$\varepsilon $;
输出. FCMDBN模型的权值向量$w$, 偏置向量$a$, $b$, 划分矩阵$U$
步骤1.基于心电信号ds_training训练样本对DBN进行逐层贪婪无监督学习
for $k=1$; $k < n$ do
if $k==1$ do
设置RBM可见单元Gaussian类型;
else if $k==n-1$ do
设置RBM隐藏单元为Gaussian类型;
else do
设置RBM隐藏单元Binary类型;
end
for $e=1$; $e\leq E$ do
for $l=1$; $l\leq L$ do
if $k==1$ do
根据式(3)和(4)分别计算GBRBM隐藏单元和可见单元的条件概率;
根据式(7)计算更新GBRBM连接权重和隐藏单元和可见单元偏置;
else do
if $k==n-1$ do
设置激活函数为线性函数
else do
设置激活函数为逻辑回归函数
end
根据式(5)和(6)分别计算BBRBM隐藏单元和可见单元的条件概率;
根据式(8)计算更新BBRBM连接权重和隐藏单元和可见单元偏置;
end
end
end
end
步骤2.根据式(10)对训练的DBN进行有监督学习, 获取训练样本的高层抽象特征向量.
步骤3.根据式(12)计算每一种心电信号类型的聚类中心向量, 构建划分矩阵$U$.
步骤4.采用$X^L$, $Y^L$, $U$微调FCMDBN模型
再次基于心电信号ds_training训练样本对DBN进行逐层贪婪无监督学习.
再次根据式(10)对训练的DBN进行有监督学习, 采用反向回馈算法调整DBN参数.
步骤5.基于心电信号ds_testing测试样本进行分类.
3. 实验与结果分析
3.1 实验数据
实验数据来源于MIT-BIH心律异常数据库, 该数据库由麻省理工学院开发, 数据全部采集于Beth Israel医院的心律异常实验室. MIT-BIH心律异常数据库中每条记录采集心电信号时间约30分钟, 采样频率360 Hz, 心跳类型18种并已做标签注释.共包含48条记录, 23条心电记录可作为常规临床记录的代表性样本, 其他25条记录包含了复杂心室、交界和室上性等心律失常问题.参照文献[3]中对心电信号预处理方式, 实验选取5类心律类型进行分类, 包括正常心跳(NORM)、左束支传导阻滞(LBBB)、右束支传导阻滞(RBBB)、室性早搏(PVC)和房性早搏(APC), 如图 4中(1-1)、(2-1)、(3-1)、(4-1)和(5-1)所示.不同人体对象通常具有不同的心跳频率, 分段后的心电信号具有不同的心跳长度, 实验对分段信号进行重插值抽样, 在保持原有波形形态的情况下得到统一长度为200个采样点的心跳信号, 如图 4中(1-2)、(2-2)、(3-2)、(4-2)和(5-2)所示.最后得到的5类心律实验数据集如表 1所示, 其中$DS1$为训练数据集, $DS2$为测试数据集.
表 1 5类心律MIT-BIH实验数据集Table 1 The data set of MIT-BIH including five types of cardiac rhythms数据集 类型 心跳记录 NORM LBBB RBBB PVC APC 合计 $DS1$ 训练数据集 100、105、108、111、114、116、118、201、203、207、208、209、215
219、222、228、23330 179 3 578 2 251 3 387 892 40 287 $DS2$ 测试数据集 103、106、109、119、124、205、214、221、223、231、232 14 560 1 999 3 182 2 247 1 462 23 450 3.2 实验与结果分析
实验中FCMDBN模型的DBN各层单元个数结构为${200 -400 -300 -100 -50 -10}$, 第1层200单元接收统一宽度的心电信号连续数据, 第6层10单元输出心电信号的高层抽象特征信息.模型定义动力学习率= [0.4 0.3 0.2 0.1 0], 批次大小= 100, 训练次数= 50, 惩罚率= 0.0002; FCM模糊分类个数= 5, 模糊度参数$m=1.2$, 聚类终止阈值= 0.001.实验利用台式计算机进行仿真, 设备配置为Intel Core i7-4790, CPU 3.6 GHz, RAM 16 GB, and GPU Intel HD graphics 4 600.
基于DBN抽取的样本10个心电特征数据, 本文对每类心律类型进行分析和聚类中心点计算.箱线图 5描述了每类心律特征值信息, 从图 5结果来看, NORM、LBBB、RBBB、PVC和APC 5类心律值具有明显可区分的分布范围. 表 2给出了5类心律特征中心点数据, 基于中心点数据计算某心电信号的距离进行心律分类.
表 2 5类心律特征中心点Table 2 The centers of feature vectors of five kinds of cardiac rhythms特征点 NORM LBBB RBBB PVC APC $F1$ $ -$1.8883 $ -$4.9128 $ -$1.8114 3.2888 2.3609 $F2$ $ -$1.8629 0.2611 4.3143 2.0445 2.5327 $F3$ $ -$2.4740 $ -$2.5394 $ -$1.5449 2.5297 2.2344 $F4$ $ -$3.8821 0.3071 0.3587 2.9173 1.6611 $F5$ $ -$2.4890 $ -$0.4371 1.7242 1.1693 $ -$2.5217 $F6$ $ -$0.1716 $ -$2.3649 1.0338 2.7506 2.4165 $F7$ $ -$0.4175 1.6318 1.1534 3.2230 $ -$2.3545 $F8$ 1.5320 0.2320 3.5207 2.8277 0.2495 $F9$ 4.4273 1.9278 2.1546 2.6333 $ -$1.7905 $F10$ 2.7375 0.4500 0.7206 1.4910 $ -$0.8220 实验随机选择特征点向量为[3.8624, 1.9699, $-$4.6216, 3.3794, 1.1686, 2.2271, 3.1660, 3.5609, $-$3.5019, 0.7997]的样本, 其与各特征中心点的欧氏距离分别为$d1=14.4160, d2=12.6650, d3=9.6987, d4=9.5196, d5=10.6587, $如图 6所示, 根据距离最小原则, 该心电信号样本属于RBBB类型.
图 6 随机样本与各类心率中心点欧氏距离Fig. 6 Euclidean distance between random sample and\\ the center point of heart rate为方便分类结果比较, 本文采用灵敏度(Sensitivity, Se), 阳性预测值(Positive predictive value, PPV)和总准确率(Total classification accuracy, TCA)三种度量方式, 公式定义分别如下所示.
$ Se=\frac{TP}{TP+FN} $
(17) $ PPV=\frac{TP}{FP+TP} $
(18) $ TCA=\frac{TP+TN}{TP+FP+FN+TN} $
(19) 其中, $TP$表示心跳被正确分类的个数; $FN$表示心跳被错误分类的个数; $TN$表示不属于某种心跳被分类的个数; $FP$表示属于某种心跳被错误分类的个数.
表 3是基于FCMDBN模型在DS2数据集上的分类混淆矩阵结果, 从表 4分类结果性能比较来看, 本文采用的基于深度学习的模糊分类方法可自动提取源心电信号的全面高层抽象特征进行聚类, 相对其他方法具有较高的分类准确性, NORM、LBBB、RBBB、PVC、APC 5类心律的分类性能分别为: $Se=98.32{ \%}$ $PPV=99.28{ \%}; $ $Se=98.32{ \%}, $ $PPV=99.28{ \%}; $ $Se=98.32{ \%}, $ $PPV=99.28{ \%}; $ $Se=98.32{ \%}, $ $PPV=99.28{ \%}; $ $Se=98.32{ \%}, $ $PPV=99.28{ \%}$, 总体准确律$TCA=96.54{ \%}$.另外, 仿真实验中模型训练和测试采用了不同的数据集, 证明了所提方法对心电信号诊断的适应性更强.
表 3 FCMDBN模型在DS2数据集上的分类混淆矩阵Table 3 Confusion matrix for ECG arrhythmias classification on DS2 using the FCMDBN心律类型 NORM LBBB RBBB PVC APC Total NORM 14 316 111 69 39 25 14 560 LBBB 23 1 811 57 51 57 1 999 RBBB 32 12 3 001 86 51 3 182 PVC 36 29 49 2 121 12 2 247 APC 12 20 11 28 1 391 1 462 表 4 分类结果性能比较Table 4 Performance comparison of classification results方法 NORM LBBB RBBB PVC APC Se (%) 98.32 90.59 94.31 94.39 95.14 FCMDBN PPV (%) 99.28 91.32 94.16 91.22 90.55 TCA (%) 96.54 Se (%) 98.28 90.35 86.97 92.19 94.86 FCMM [12] PPV(%) 97.38 90.97 87.07 86.82 93.87 TCA (%) 93.57 Se (%) 94.80 58.10 88.50 88.80 74.50 Knn-NN [36] PPV (%) 98.09 74.36 78.86 54.79 78.49 TCA (%) Se (%) 100 48.0 74.6 98.6 99.3 MLP PPV (%) 92.6 96.0 99.1 81.3 78.8 network [37] TCA (%) 87.6 4. 结论
面对大数据量心电信号自动分析诊断问题, 本文提出了基于深度学习和模糊分类相结合的心脏疾病诊断方法.深度学习是目前研究最为广泛的对象特征自动提取技术, 在众多应用领域均有研究成果, 本文采用基于RBM构建的深度信念网络DBN对连续心电信号进行高层抽象特征抽取, 形成用于心律分类的特征向量数据基础, 然后结合模糊C均值聚类算法构建心电分类模型.仿真实验表明:与传统人工设计心电特征相比, 本文所提方法分类准确率更高、适应性更强.未来工作可深入研究其他深度学习方法和分类算法相结合在心电信号自动分类中的应用, 构建多种不同的体征信号自动分析算法库.
-
图 13 南航仿鸟扑翼飞行器
Fig. 13 Bird-like FAV of Nanjing University of Aeronautics and Astronautics
表 1 扑翼机参数
Table 1 The parameters of FAV
名称 制作单位 质量(g) 翼展(cm) 推动频率(Hz) 飞行速度(m/s) 续航时间(s) Nano Hummingbird 航空环境公司 17.5 15.8 27.5 6.7 660 Phoenix 麻省理工学院 200 − 2.4 4 − Insect-scale 哈佛大学 0.08 3 120 0.3 20 SmartBird Festo 400 200 − − − Bat Bot UIUC 60 40 8 − − Ornithopter 亚利桑那大学 260 74 18 10 420 Microbat 加州理工大学 12.5 15.24 − 5 42 DelFly Delft 16 2.8 18 15 900 H2bird UC Berkeley 13 26.5 − 1.2 600 EPFL的扑翼机 EPFL 30 86 − 2.5 1 800 马里兰大学扑翼机 马里兰大学 425 107 5 8.3 150 ASN-211 西北工业大学 220 60 − 10 − 
下载: 导出CSV
表 2 扑翼机控制方法优缺点比较
Table 2 The advantages and disadvantages of FAV control
控制分类 控制方法 优缺点 无模型主动控制 主动(被动)位置反馈[58] 优点: 1) 自适应性; 2) 有效抑制振动同时又不降低系统的稳定性.
缺点: 1) 频率不能时变; 2) 难以应对多种系统模型; 3) 形成高阶控制器.线性速度反馈[59] 优点:保证了闭环系统的无条件稳定性.
缺点: 1) 要求微分器实现; 2) 增加了全频段的控制难度.PID[60] 优点: 1) 结构简单; 2) 性能可靠; 3) 应用广泛.
缺点: 1) 不具有自适应性; 2) 不能应用于可调变化中.分数阶控制[61] 优点: 1) 对不同负载具有鲁棒性; 2) 可消除扰动的影响.
缺点:只能应用于常系数线性系统.奇摄动控制[62] 优点:能把复杂系统高阶项分成简单的低阶子系统.
缺点: 1) 当考虑高阶项时增加项的解将变得非常复杂;
2) 模型的不确定性将会反映在缓慢变化的动态性能中.无模型的被动控制 被动定理[63] 优点:简单且对于动态性能的变化具有鲁棒性.
缺点: 1) 动作控制反应慢; 2) 不够高效; 3) 对关节摩擦敏感.无模型主被动组合控制 内外环[64] 优点: 1) 暂态收敛速度快; 2) 具有准确的稳态跟踪率;
3) 可以消除一些扰动的影响; 4) 简化控制动作;
缺点:传感器和变送器增多.无模型自适应/智能控制 滑膜控制[65] 优点: 1) 可用于处理模型未知或者不确定系统;
2) 有效保持了系统的稳定性和一致性; 3) 降低阶次.
缺点:可能导致无模型系统的振动、能量损失、设备损坏.自适应控制[66] 优点:可以应对系统变负载和位置扰动.
缺点:自适应因子独立于过程, 需要额外调节.神经网络控制[67] 优点: 1) 能在系统动态性能未知的情况下很快建立控制器;
2) 有效应对数学描述错误的系统.
缺点: 1) 训练样本和离线学习很耗时且结算量庞大;
2) 训练样本少会导致系统性能差.模糊控制[68] 优点: 1) 不需要准确的物理模型或真实的物理系统; 2) 易于设计和应用;
3) 可以由非专门人员实现和执行; 4) 通过调节参数可以有效处理非线性.
缺点: 1) 对于没有经验的人, 很难选择合适的参数;
2) 如果系统的参数变化很大且没有规律, 那么控制效果将很差.基于模型的控制器设计 前馈控制[69] 优点:不需要传感器.
缺点: 1) 不适用于有扰、不确定和负载变化的系统; 2) 不能忽略非线性.系统优化[70] 优点:易于设计和操作.
缺点: 1) 对于非线性控制问题缺乏解析解; 2) 是个无限时间问题.边界控制[71] 优点: 1) 轨迹跟踪效果好; 2) 有效应对系统的扰动和振动.
缺点:难以处理参数不确定系统.预测控制[72] 优点: 1) 可以解决非最小相位系统的时延问题;
2) 有效处理反馈时延和非线性系统的约束问题;
3) 不用把系统分解成子系统却又良好的鲁棒性.
缺点:不能产生快速稳定的响应.
下载: 导出CSV
-
[1] Keennon M, Klingebiel K, Won H, Andriukov A. Development of the Nano hummingbird: a tailless flapping wing micro air vehicle. In: Proceedings of the 50th AIAA Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition. Reston, VA, USA: AIAA, 2012. 1-24 [2] Jackowski Z J. Design and Construction of an Autonomous Ornithopter [Ph.D. dissertation], Massachusetts Institute of Technology, USA, 2009. [3] Ma K Y, Chirarattananon P, Fuller S B, Wood R J. Controlled flight of a biologically inspired, insect-scale robot. Science, 2013, 340(6132): 603-607 doi: 10.1126/science.1231806 [4] Mackenzie D. A flapping of wings. Science, 2012, 335(6075): 1430-1433 doi: 10.1126/science.335.6075.1430 [5] Paranjape A A, Chung S J, Kim J. Novel dihedral-based control of flapping-wing aircraft with application to perching. IEEE Transactions on Robotics, 2013, 29(5): 1071-1084 doi: 10.1109/TRO.2013.2268947 [6] Krashanitsa R Y, Silin D, Shkarayev S V, Abate G. Flight dynamics of a flapping-wing air vehicle. International Journal of Micro Air Vehicles, 2009, 1(1): 35-49 doi: 10.1260/1756-8293.1.1.35 [7] Park J H, Yoon K J, Park H C. Development of bio-mimetic composite wing structures and experimental study on flapping characteristics. In: Proceedings of the 2007 IEEE International Conference on Robotics and Biomimetics. Sanya, China: IEEE, 2007. 25-30 [8] Pornsin-sirirak T N, Tai Y C, Nassef H, Ho C M. Titanium-alloy MEMS wing technology for a micro aerial vehicle application. Sensors and Actuators A: Physical, 2001, 89(1-2): 95-103 doi: 10.1016/S0924-4247(00)00527-6 [9] De Croon G C H E, Persin M, Remes B D W, Ruijsink R, De Wagter C. The DelFly. Netherlands: Springer, 2016. [10] Phan H V, Truong Q T, Park H C. Implementation of initial passive stability in insect-mimicking flapping-wing micro air vehicle. International Journal of Intelligent Unmanned Systems, 2015, 3(1): 18-38 doi: 10.1108/IJIUS-12-2014-0010 [11] Rose C, Fearing R S. Comparison of ornithopter wind tunnel force measurements with free flight. In: Proceeding of the 2014 IEEE International Conference on Robotics and Automation. Hong Kong, China: IEEE, 2014. 1816-1821 [12] Zufferey J C, Klaptocz A, Beyeler A, Nicoud J D, Floreano D. A 10-gram vision-based flying robot. Advanced Robotics, 2007, 21(14): 1671-1684 doi: 10.1163/156855307782227417 [13] Harmon R, Grauer J, Hubbard J E Jr, Conroy J, Humbert S J, Siaraman J, Roget B. Experimental determination of ornithopter membrane wing shapes used for simple aerodynamic modeling. In: Proceedings of the 26th AIAA Applied Aerodynamics Conference. Hawaii, USA: AIAA, 2008. DOI: 10.2514/6.2008-6237 [14] 昂海松, 曾锐, 段文博, 史志伟.柔性扑翼微型飞行器升力和推力机理的风洞试验和飞行试验.航空动力学报, 2007, 22(11): 1838-1845 doi: 10.3969/j.issn.1000-8055.2007.11.010Ang Hai-Song, Zeng Rui, Duan Wen-Bo, Shi Zhi-Wei. Aerodynamic experimental investigation for mechanism of lift and thrust of flexible flapping-wing MAV. Journal of Aerospace Power, 2007, 22(11): 1838-1845 doi: 10.3969/j.issn.1000-8055.2007.11.010 [15] 侯宇, 方宗德, 刘岚, 傅卫平.仿生微扑翼飞行器机构动态分析与工程设计方法.航空学报, 2005, 26(2): 173-178 http://www.cnki.com.cn/Article/CJFDTOTAL-HKXB200502009.htmHou Yu, Fang Zong-De, Liu Lan, Fu Wei-Ping. Dynamic analysis and engineering design of biomimetic flapping-wing micro air vehicles. Acta Aeronautica et Astronautica Sinica, 2005, 26(2): 173-178 http://www.cnki.com.cn/Article/CJFDTOTAL-HKXB200502009.htm [16] Mao S, Gang D. Lift and power requirements of hovering insect flight. Acta Mechanica Sinica, 2003, 19(5): 458-469 doi: 10.1007/BF02484580 [17] Shen C, Sun M. Power requirements of vertical flight in the dronefly. Journal of Bionic Engineering, 2015, 12(2): 227-237 doi: 10.1016/S1672-6529(14)60115-3 [18] Karásek M, Preumont A. Simulation of flight control of a hummingbird like robot near hover. In: Proceedings of the 18th International Conference on Engineering Mechanics. Svratka, Czech Republic, 2012. 607-619 [19] 唐志共, 许晓斌, 杨彦广, 李绪国, 戴金雯, 吕治国, 贺伟.高超声速风洞气动力试验技术进展.航空学报, 2015, 36(1): 86-97 http://www.cnki.com.cn/Article/CJFDTOTAL-HKXB201501007.htmTang Zhi-Gong, Xu Xiao-Bin, Yang Yan-Guang, Li Xu-Guo, Dai Jin-Wen, Lv Zhi-Guo, He Wei. Research progress on hypersonic wind tunnel aerodynamic testing techniques. Acta Aeronautica et Astronautica Sinica, 2015, 36(1): 86-97 http://www.cnki.com.cn/Article/CJFDTOTAL-HKXB201501007.htm [20] Weis-Fogh T. Flapping flight and power in birds and insects, conventional and novel mechanisms. Swimming and Flying in Nature. New York, US: Springer, 1975. 729-762 http://www.tobst.cn/yckj/CN/abstract/abstract12018.shtml [21] Sohn M H, Chang J W. Flow visualization and aerodynamic load calculation of three types of clap-fling motions in a Weis-Fogh mechanism. Aerospace Science and Technology, 2007, 11(2-3): 119-129 doi: 10.1016/j.ast.2006.10.003 [22] 于冰, 于雷, 刘廷波, 赵永美, 颜景平.关于仿生飞行器仿昆飞行机理的研究状况.中国制造业信息化, 2006, 35(7): 70-75 http://www.cnki.com.cn/Article/CJFDTOTAL-JXZZ200607019.htmYu Bing, Yu Lei, Liu Ting-Bo, Zhao Yong-Mei, Yan Jing-Ping. The study status in flying mechanism of the bionic insect equipment. Manufacturing Information Engineering of China, 2006, 35(7): 70-75 http://www.cnki.com.cn/Article/CJFDTOTAL-JXZZ200607019.htm [23] Van Den Berg C, Ellington C P. The vortex wake of a 'hovering' model hawkmoth. Philosophical Transactions of the Royal Society B: Biological Sciences, 1997, 352(1351): 317-328 doi: 10.1098/rstb.1997.0023 [24] Dickinson M H, Lehmann F O, Sane S P. Wing rotation and the aerodynamic basis of insect flight. Science, 1999, 284(5422): 1954-1960 doi: 10.1126/science.284.5422.1954 [25] Dickinson M. Solving the mystery of insect flight. Scientific American, 2001, 284(6): 48-57 doi: 10.1038/scientificamerican0601-48 [26] Von Karman T. Aerodynamics: Selected Topics in the Light of Their Historical Development. Courier Corporation, 2004. http://www.worldcat.org/isbn/0486434850%20 [27] Jones K D, Dohring C M, Platzer M F. Wake structures behind plunging airfoils: a comparison of numerical and experimental results. In: Proceedings of the 34th Aerospace Sciences Meeting and Exhibit. Reno, NV, USA: AIAA, 1996. DOI: 10.2514/6.1996-78 [28] Xiao T, Li Z, Deng S, Ang H, Zhou X. Numerical study on the flow characteristics of micro air vehicle wings at low Reynolds numbers. International Journal of Micro Air Vehicles, 2016, 8(1): 29-40 doi: 10.1177/1756829316638204 [29] 曾锐, 昂海松.仿鸟复合振动的扑翼气动分析.南京航空航天大学学报, 2003, 35(1): 6-12 http://www.cnki.com.cn/Article/CJFDTOTAL-NJHK200301001.htmZeng Rui, Ang Hai-Song. Aerodynamic computation of flapping-wing simulating birds wings. Journal of Nanjing Universinty of Aeronautics and Astronautics, 2003, 35(1): 6-12 http://www.cnki.com.cn/Article/CJFDTOTAL-NJHK200301001.htm [30] 曾锐, 昂海松, 梅源, 季健.扑翼柔性及其对气动特性的影响.计算力学学报, 2005, 22(6): 750-754 http://www.cnki.com.cn/Article/CJFDTOTAL-JSJG200506020.htmZeng Rui, Ang Hai-Song, Mei Yuan, Ji Jian. Flexibility of flapping wing and its effect on aerodynamic characteristic. Chinese Journal of Computational Mechanics, 2005, 22(6): 750-754 http://www.cnki.com.cn/Article/CJFDTOTAL-JSJG200506020.htm [31] 陈茂伟, 孙茂.蜂蝇快速起飞过程的实验观测及力学分析.航空学报, 2014, 35(12): 3222-3231 http://www.cnki.com.cn/Article/CJFDTOTAL-HKXB201412005.htmChen Mao-Wei, Sun Mao. Experimental measurement and force analysis of a fast takeoff in dronefly. Acta Aeronautica et Astronautica Sinica, 2014, 35(12): 3222-3231 http://www.cnki.com.cn/Article/CJFDTOTAL-HKXB201412005.htm [32] He W, Zhang S. Control design for nonlinear flexible wings of a robotic aircraft. IEEE Transactions on Control Systems Technology, 2017, 25(1): 351-357 doi: 10.1109/TCST.2016.2536708 [33] Jones K D, Duggan S J, Platzer M F. Flapping-wing propulsion for a micro air vehicle. In: Proceedings of the 39th Aerospace Sciences Meeting and Exhibit. Reno, NV, USA: AIAA, 2001. DOI: 10.2514/6.2001-126 [34] Verma N, Shoeb A, Bohorquez J, Dawson J. A micro-power EEG acquisition SoC with integrated feature extraction processor for a chronic seizure detection system. IEEE Journal of Solid-State Circuits, 2010, 45(4): 804-816 doi: 10.1109/JSSC.2010.2042245 [35] Bruno J C, Ortega-López V, Coronas A. Integration of absorption cooling systems into micro gas turbine trigeneration systems using biogas: case study of a sewage treatment plant. Applied Energy, 2009, 86(6): 837-847 doi: 10.1016/j.apenergy.2008.08.007 [36] Mehra A, Zhang X, Ayon A A, Waitz I A, Schmidt M A, Spadaccini C M. A six-wafer combustion system for a silicon micro gas turbine engine. Journal of Microelectromechanical Systems, 2000, 9(4): 517-527 doi: 10.1109/84.896774 [37] Violi A, Yan S, Eddings E G, Sarofim A F, Granata S, Faravelli T, Ranzi E. Experimental formulation and kinetic model for JP-8 surrogate mixtures. Combustion Science and Technology, 2002, 174(11-12): 399-417 doi: 10.1080/00102200215080 [38] London A P, Ayón A A, Epstein A H, Spearing S M, Harrison T, Peles Y, Kerrebrock J L. Microfabrication of a high pressure bipropellant rocket engine. Sensors and Actuators A: Physical, 2001, 92(1-3): 351-357 doi: 10.1016/S0924-4247(01)00571-4 [39] Fu K, Knobloch A J, Martinez F C, Walther D C, Fernandez-Pello C, Pisano A P, Liepmann D. Design and experimental results of smal-scale rotary engines. In: Proceedings of the 2001 ASME International Mechanical Engineering Congress and Exposition. New York, USA: ASME, 2001. 3439-3445 [40] 张仕民, 郭志平, 夏必忠, 段广洪.微型/便携式发电系统原动机-微型/小型内燃机的研究.小型内燃机与摩托车, 2004, 33(4): 4-8 http://www.cnki.com.cn/Article/CJFDTOTAL-XXNR200404001.htmZhang Shi-Min, Guo Zhi-Ping, Xia Bi-Zhong, Duan Guang-Hong. Study on the primary movers of micro/man-portable power generation system-micro/mini internal combustion engines. Small Internal Combustion Engine and Motorcycle, 2004, 33(4): 4-8 http://www.cnki.com.cn/Article/CJFDTOTAL-XXNR200404001.htm [41] Grasmeyer J M, Keennon M T. Development of the black widow micro air vehicle. In: Proceedings of the 39th AIAA Aerospace Sciences Meeting and Exhibit. Reston, VA, USA: AIAA, 2001. DOI: 10.2514/6.2001-127 [42] Keennon M T, Grasmeyer J M. Development of the black widow and microbat MAVs and a vision of the future of MAV design. In: Proceedings of AIAA/ICAS International Air and Space Symposium and Exposition: The Next 100 Years. Reston, VA, USA: AIAA, 2003. DOI: 10.2514/6.2003-2901 [43] Prior S D, Shen S T, White A S, Odedra S, Karamanoglu M, Erbil M A, Foran T. Development of a novel platform for greater situational awareness in the urban military terrain. Engineering Psychology and Cognitive Ergonomics. Berlin Heidelberg, Germany: Springer, 2009. 120-125 [44] Baughman R H. Conducting polymer artificial muscles. Synthetic Metals, 1996, 78(3): 339-353 doi: 10.1016/0379-6779(96)80158-5 [45] 陶宝祺.智能材料结构.北京:国防工业出版社, 1997.Tao Bao-Qi. Intelligent Material Structures. Beijing: National Defence Industry Press, 1997. [46] Michelson R C. Entomopter and Method for Using Same, U.S. Patent 6082671, July 2000. [47] 王永寿.激光推进微型无人机及其系统最优化.飞航导弹, 2005, (7): 24-29 http://www.cnki.com.cn/Article/CJFDTOTAL-FHDD200507005.htmWang Yong-Shou. Laser propulsion micro UAV and system optimization. Winged Missiles Journal, 2005, (7): 24-29 http://www.cnki.com.cn/Article/CJFDTOTAL-FHDD200507005.htm [48] 王广宇, 洪延姬, 叶继飞. 激光微推进研究进展. 中国宇航学会固体火箭推进24届年会论文集. 烟台, 中国: 中国宇航学会, 2007. 367-372Wang Guang-Yu, Hong Yan-Ji, Ye Ji-Fei. The investigation process of laser propolsion. In: Proceeedings of the 24th Annual Meeting of Chinese Academy of aerospace solid rocket propulsion. Yantai, China: Chinese Society of Astronautics, 2007. 367-372 [49] Kantrowitz A. Propulsion to orbit by ground based lasers. Astronaut, 1972, 10: 74-76 doi: 10.1007/978-0-387-30453-3_17 [50] Phipps C R, Luke J R. Micro laser plasma thrusters for small satellites. In: Proceedings of the SPIE 4065, High-Power Laser Ablation Ⅲ. Santa Fe, NM, USA: SPIE, 2000. 801-809 [51] Phipps C R, Luke J, Helgeson W. Laser space propulsion overview. In: Proceedings of the SPIE 6346, XVI International Symposium on Gas Flow, Chemical Lasers, and High-Power Lasers. Santa Fe, NM, USA: SPIE, 2007. 660602 [52] 段洪君, 史小平.微型飞行器建模与控制.北京:科学出版社, 2012.Duan Hong-Jun, Shi Xiao-Ping. Modeling and Control of Micro Air Vehicle. Beijing: Science Press, 2012. [53] Chirarattananon P, Ma K Y, Wood R J. Adaptive control of a millimeter-scale flapping-wing robot. Bioinspiration & Biomimetics, 2014, 9(2): Article No. 025004 https://www.researchgate.net/publication/262527690_Adaptive_control_of_a_millimeter-scale_flapping-wing_robot [54] Soleymani T, Saghafi F. Fuzzy trajectory tracking control of an autonomous air vehicle. In: Proceedings of the 2nd International Conference on Mechanical and Electronics Engineering. Kyoto, Japan: IEEE, 2010. 347-352 [55] Cheng B, Deng X Y. A neural adaptive controller in flapping flight. Journal of Robotics and Mechatronics, 2012, 24(4): 602-611 doi: 10.20965/jrm.issn.1883-8049 [56] 段洪君. 微型飞行器飞行姿态控制方法研究[博士学位论文], 哈尔滨工业大学, 中国, 2007Duan Hong-Jun. Flight Attitude Control of MAV [Ph.D. dissertation], Harbin Institute of Technology, China, 2007 [57] Lin C M, Chen T Y. Self-organizing CMAC control for a class of MIMO uncertain nonlinear systems. IEEE Transactions on Neural Networks, 2009, 20(9): 1377-1384 doi: 10.1109/TNN.2009.2013852 [58] Ahmed B, Pota H R. Dynamic compensation for control of a rotary wing UAV using positive position feedback. Journal of Intelligent & Robotic Systems, 2011, 61(1-4): 43-56 doi: 10.1007%2Fs10846-010-9487-7.pdf [59] Shen S J, Michael N, Kumar V. Autonomous multi-floor indoor navigation with a computationally constrained MAV. In: Proceedings of the 2011 IEEE International Conference on Robotics and Automation. Shanghai, China: IEEE, 2011. 20-25 [60] Groen M, Bruggeman B, Remes B, Ruijsink B, van Oudheusden B, Bijl H. Improving flight performance of the flapping wing MAV DelFly Ⅱ. In: Proceedings of the 2010 International Micro Air Vehicle Conference and Competition. Braunschweig, Germany, 2010. 3439-3445 [61] Torvik P J, Bagley R L. On the appearance of the fractional derivative in the behavior of real materials. Journal of Applied Mechanics, 1984, 51(2): 294-298 doi: 10.1115/1.3167615 [62] James E C. Lifting-line theory for an unsteady wing as a singular perturbation problem. Journal of Fluid Mechanics, 1975, 70(4): 753-771 doi: 10.1017/S0022112075002339 [63] Liu L Y, Yuan K. Noncollocated passivity-based PD control of a single-link flexible manipulator. Robotica, 2003, 21(2): 117-135 https://www.researchgate.net/publication/220103965_Noncollocated_passivity-based_PD_control_of_a_single-link_flexible_manipulator [64] 盖文东, 王宏伦, 李大伟.鸭式旋翼/机翼无人机飞行动力学建模与分析.空气动力学学报, 2012, 30(2): 244-249 http://www.cnki.com.cn/Article/CJFDTOTAL-KQDX201202019.htmGai Wen-Dong, Wang Hong-Lun, Li Da-Wei. Flight dynamic modeling and analysis for the canard rotor/wing UAV. Acta Aerodynamica Sinica, 2012, 30(2): 244-249 http://www.cnki.com.cn/Article/CJFDTOTAL-KQDX201202019.htm [65] 蒲明, 吴庆宪, 姜长生, 佃松宜, 王宇飞.非匹配不确定高阶非线性系统递阶Terminal滑模控制.自动化学报, 2012, 38(11): 1777-1793 http://www.aas.net.cn/CN/abstract/abstract17784.shtmlPu Ming, Wu Qing-Xian, Jiang Chang-Sheng, Dian Song-Yi, Wang Yu-Fei. Recursive Terminal sliding mode control for higher-order nonlinear system with mismatched uncertainties. Acta Automatica Sinica, 2012, 38(11): 1777-1793 http://www.aas.net.cn/CN/abstract/abstract17784.shtml [66] 张维存, 刘冀伟, 胡广大.鲁棒多模型自适应控制系统的稳定性.自动化学报, 2015, 41(1): 113-121 http://www.aas.net.cn/CN/abstract/abstract18589.shtmlZhang Wei-Cun, Liu Ji-Wei, Hu Guang-Da. Stability analysis of robust multiple model adaptive control systems. Acta Automatica Sinica, 2015, 41(1): 113-121 http://www.aas.net.cn/CN/abstract/abstract18589.shtml [67] Chao H Y, Cao Y C, Chen Y Q. Autopilots for small fixed-wing unmanned air vehicles: a survey. In: Proceeding of the 2007 IEEE International Conference on Mechatronics and Automation. Harbin, China: IEEE, 2007. 3144-3149 [68] Brotherton T, Grabill P, Wroblewski D, Friend R, Sotomayer B, Berry J. A testbed for data fusion for engine diagnostics and prognostics. In: Proceeding of the 2002 IEEE Aerospace Conference Proceedings. Big Sky, MT, USA: IEEE, 2002, 6: 3029-3042 [69] Ucun L, Salášek J. HOSIDF-based feedforward friction compensation in low-velocity motion control systems. Mechatronics, 2014, 24(2): 118-127 doi: 10.1016/j.mechatronics.2013.12.005 [70] Ariyur K B, Krstic M. Real-time Optimization by Extremum-Seeking Control. Hoboken, NJ: John Wiley and Sons, 2003. [71] He W, Lv T, Chen Y N, He X Y, Sun C Y. Modeling and vibration control of flexible wings with output constraint. In: Proceeding of the 12th World Congress on Intelligent Control and Automation. Guilin, China: IEEE, 2016. 292-297 [72] Saska M, Vonásek V, Krajník T, Přeučil L. Coordination and navigation of heterogeneous MAV-UGV formations localized by a 'hawk-eye'-like approach under a model predictive control scheme. International Journal of Robotics Research, 2014, 33(10): 1393-1412 doi: 10.1177/0278364914530482 [73] Liu Z L. Reinforcement adaptive fuzzy control of wing rock phenomena. IEE Proceedings -Control Theory and Applications, 2005, 152(6): 615-620 doi: 10.1049/ip-cta:20045072 [74] 刘暾, 常亚武, 杨大明.柔性空间飞行器的振动抑止控制.航天控制, 1992, (2): 25-33 http://www.cnki.com.cn/Article/CJFDTOTAL-HTKZ199202003.htmLiu Tun, Chang Ya-Wu, Yang Da-Ming. The vibration suppression control of flexible spacecraft. Aerospace Control, 1992, (2): 25-33 http://www.cnki.com.cn/Article/CJFDTOTAL-HTKZ199202003.htm [75] 段丽玮, 汤忠梁, 吴志华.飞行器垂直尾翼H∞鲁棒振动主动控制.振动、测试与诊断, 2011, 31(1): 119-123 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=zdcs201101030&dbname=CJFD&dbcode=CJFQDuan Li-Wei, Tang Zhong-Liang, Wu Zhi-Hua. Active vibration suppression of vertical tail using H∞ robust control theory. Journal of Vibration, Measurement & Diagnosis, 2011, 31(1): 119-123 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=zdcs201101030&dbname=CJFD&dbcode=CJFQ [76] Bialy B J, Chakraborty I, Cekic S C, Dixon W E. Adaptive boundary control of store induced oscillations in a flexible aircraft wing. Automatica, 2016, 70: 230-238 doi: 10.1016/j.automatica.2016.04.004 [77] Paranjape A A, Guan J Y, Chung S J, Krstic M. PDE boundary control for flexible articulated wings on a robotic aircraft. IEEE Transactions on Robotics, 2013, 29(3): 625-640 doi: 10.1109/TRO.2013.2240711 [78] Mozaffari-Jovin S, Firouz-Abadi R D, Roshanian J. Flutter of wings involving a locally distributed flexible control surface. Journal of Sound and Vibration, 2015, 357: 377-408 doi: 10.1016/j.jsv.2015.03.044 [79] 樊琼剑, 杨忠, 方挺, 沈春林.多无人机协同编队飞行控制的研究现状.航空学报, 2009, 30(4): 683-691 http://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201703001.htmFan Qiong-Jian, Yang Zhong, Fang Ting, Shen Chun-Lin. Research status of coordinated formation flight control for multi-UAVs. Acta Aeronautica et Astronautica Sinica, 2009, 30(4): 683-691 http://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201703001.htm [80] 刘小雄, 章卫国, 李广文, 李爱军.无人机自主编队飞行控制的技术问题.电光与控制, 2006, 13(6): 28-31 http://www.cnki.com.cn/Article/CJFDTOTAL-DGKQ200606006.htmLiu Xiao-Xiong, Zhang Wei-Guo, Li Guang-Wen, Li Ai-Jun. Discussion on autonomous formation flight control technique of UAV. Electronics Optics & Control, 2006, 13(6): 28-31 http://www.cnki.com.cn/Article/CJFDTOTAL-DGKQ200606006.htm [81] 董晓光, 曹喜滨, 张锦绣, 施梨.卫星编队飞行的鲁棒自适应控制方法.自动化学报, 2013, 39(2): 132-141 http://www.aas.net.cn/CN/abstract/abstract17823.shtmlDong Xiao-Guang, Cao Xi-Bin, Zhang Jin-Xiu, Shi Li. A robust adaptive control law for satellite formation flying. Acta Automatica Sinica, 2013, 39(2): 132-141 http://www.aas.net.cn/CN/abstract/abstract17823.shtml [82] Gu Y, Seanor B, Campa G, Napolitano M R, Rowe L, Gururajan S, Wan S. Design and flight testing evaluation of formation control laws. IEEE Transactions on Control Systems Technology, 2006, 14(6): 1105-1112 doi: 10.1109/TCST.2006.880203 [83] 李磊, 李小民, 杨森.基于单位四元数的四旋翼编队反演控制方法.计算机测量与控制, 2016, 24(2): 64-67 http://www.cnki.com.cn/Article/CJFDTOTAL-JZCK201602019.htmLi Lei, Li Xiao-Min, Yang Sen. Formation control of quadrotors with unit quaternions based via backstepping method. Computer Measurement & Control, 2016, 24(2): 64-67 http://www.cnki.com.cn/Article/CJFDTOTAL-JZCK201602019.htm [84] Dong X W, Yu B C, Shi Z Y, Zhong Y S. Time-varying formation control for unmanned aerial vehicles: theories and applications. IEEE Transactions on Control Systems Technology, 2015, 23(1): 340-348 doi: 10.1109/TCST.2014.2314460 期刊类型引用(41)
1. 郭睿，张子鑫，郝永平，黄兴宇，王雨田，李腾达. 一种仿蝴蝶扑翼飞行器的设计和有限元分析. 机械工程与自动化. 2025(01): 62-64+67 . 
百度学术2. 王久斌，贺威，孟亭亭，邹尧，付强. 基于高仿生形态布局的仿鸽扑翼飞行机器人系统设计. 自动化学报. 2024(02): 308-319 . 本站查看3. 吴晓阳，邹尧，付强，贺威. 生物集群能量高效利用机制研究综述. 自动化学报. 2024(03): 431-449 . 本站查看4. 丁伟，张峰，崔龙，宋敏，刘钊铭，王宏伟，缪磊. 基于聚类分析的扑翼飞行机器人视觉图像处理和图像拼接方法. 信息与控制. 2024(03): 416-432 . 百度学术5. 付云，肖澳，刘备，余运俊，黄玉水，万晓凤. 带有非均质刚柔耦合翼的无人机边界控制. 工程科学学报. 2024(09): 1574-1581 . 百度学术6. 彭召伟，邵伟平，郝永平，张淳彭，刘子威，杨健. 仿生扑翼飞行器姿态稳定控制设计与实验. 兵器装备工程学报. 2024(09): 31-37 . 百度学术7. 刘小川，任佳，王计真，刘昊林. 多足地形自适应起落装置关键技术与研究进展. 航空科学技术. 2024(10): 1-18 . 百度学术8. 朱建阳，刘辉. 适用于扑翼飞行器的双滤波电子稳像方法. 计算机仿真. 2023(03): 58-63+185 . 百度学术9. 王军，张震，李富强，卢宣成. 仿生扑翼无人系统研究综述. 智能系统学报. 2023(03): 410-439 . 百度学术10. 丁伟，张峰，宋敏，崔龙，王宏伟，刘钊铭，缪磊. 基于雁阵变换的微型扑翼飞行机器人集群行为控制方法. 无人系统技术. 2023(03): 129-143 . 百度学术11. 金龙，李嘉昌，常振强，卢经纬，程龙. 基于ACP理论的微型扑翼飞行器的姿态控制. 自动化学报. 2023(12): 2532-2543 . 本站查看12. 蒋济州，徐文福，潘尔振. 仿生扑翼飞行机器人自主导航系统研究进展. 仪器仪表学报. 2023(11): 66-84 . 百度学术13. 张泽坤，韩建福，宋广华，杨波威. 扑翼飞行器的多机协同飞行设计与实践. 计算机工程与应用. 2022(02): 259-264 . 百度学术14. 贺威，刘上平，黄海丰，付强，孙长银. 独立驱动的仿鸟扑翼飞行机器人的系统设计与实验. 控制理论与应用. 2022(01): 12-22 . 百度学术15. 钱辰，方勇纯，李友朋. 面向扑翼飞行控制的建模与奇异摄动分析. 自动化学报. 2022(02): 434-443 . 本站查看16. 付强，张祥，赵民，张春华，贺威. 仿生扑翼飞行器风洞实验研究进展. 工程科学学报. 2022(04): 767-779 . 百度学术17. 马永浩，张爽，何修宇，刘志杰. 基于连续反演算法的时滞补偿控制综述. 工程科学学报. 2022(06): 1053-1061 . 百度学术18. 周林，张忠海，王建辉，赵全亮，何广平. 扑翼飞行器的研究现状与发展. 兵器装备工程学报. 2022(08): 44-54 . 百度学术19. 黄海丰，贺威，邹尧，杨昆翰，孙长银. 基于线驱转向的仿蝴蝶扑翼飞行机器人系统设计与控制. 控制理论与应用. 2022(07): 1203-1210 . 百度学术20. 孙永斌，马宝忠，贺威，何修宇，付强. 仿猎鹰扑翼飞行器自主飞行控制系统设计. 中国科学:信息科学. 2022(09): 1656-1671 . 百度学术21. 杨妍，刘志杰，韩江涛，李擎，贺威. 软体机械臂的驱动方式、建模与控制研究进展. 工程科学学报. 2022(12): 2124-2137 . 百度学术22. 赵民，张祥，付强，张春华，贺威. 仿生扑翼飞行器能耗研究进展. 工程科学学报. 2022(12): 2111-2123 . 百度学术23. 丁伟，王宏伟，崔龙，田申，王森. 基于聚类分析和运动描述语言的扑翼飞行机器人行为规划. 信息与控制. 2021(01): 102-112 . 百度学术24. 常振强，金龙，李帅，张继良. 微型扑翼飞行器的自适应位置跟踪控制器. 信息与控制. 2021(01): 88-94 . 百度学术25. 付强，王进，宫乐，王靖元，贺威. 基于光流法和模糊控制的扑翼飞行器避障研究（英文）. Transactions of Nanjing University of Aeronautics and Astronautics. 2021(02): 206-215 . 百度学术26. 金龙，常振强，齐一萌，张嘉政，李帅. 微型扑翼飞行器的位置控制器设计. 兰州大学学报(自然科学版). 2021(03): 402-408 . 百度学术27. 尹曌，贺威，邹尧，穆新星，孙长银. 基于“雁阵效应”的扑翼飞行机器人高效集群编队研究. 自动化学报. 2021(06): 1355-1367 . 本站查看28. 付强，张树禹，王久斌，冯富森. 基于外部单目视觉的仿生扑翼飞行器室内定高控制. 工程科学学报. 2020(02): 249-256 . 百度学术29. 张后伟，侯悦民. 仿鸟扑翼飞行器的气动性能分析. 机床与液压. 2020(03): 28-33 . 百度学术30. 王丙元，张帅华，郑芳，李霞. 基于自适应终端滑模的扑翼飞行器姿态控制. 控制工程. 2020(02): 309-315 . 百度学术31. 高峰，蒋国江，丰志伟，张青斌. 仿生变形飞行器多体动力学建模与仿真. 系统仿真技术. 2020(01): 32-36+45 . 百度学术32. 陈登峰，耿建勤，张温，刘国. 无尾扑翼无人机动力学建模及仿真. 计算机测量与控制. 2020(06): 202-206 . 百度学术33. 于欣波，贺威，薛程谦，孙永坤，孙长银. 基于扰动观测器的机器人自适应神经网络跟踪控制研究. 自动化学报. 2019(07): 1307-1324 . 本站查看34. 吴国政. 从F03项目资助情况分析我国自动化学科的发展现状与趋势. 自动化学报. 2019(09): 1611-1619 . 本站查看35. 王唱，赵华. 扑翼机自稳飞控系统的模型构建与仿真研究. 科技与创新. 2019(22): 42-44+46 . 百度学术36. 付强，陈向阳，郑子亮，李擎，贺威. 仿生扑翼飞行器的视觉感知系统研究进展. 工程科学学报. 2019(12): 1512-1519 . 百度学术37. 贺雪晨，周超英，汪超. 微型仿生扑翼机控制器设计. 电子设计工程. 2018(16): 72-75+80 . 百度学术38. 杨文青，宋笔锋，高广林. 仿生微型扑翼飞行器飞行性能计算与分析. 西北工业大学学报. 2018(04): 636-643 . 百度学术39. 王耀南，罗琼华，陈彦杰，谭建豪，刘芯. 旋翼飞行机器人多机视觉跟踪定位系统及方法. 仪器仪表学报. 2018(02): 1-10 . 百度学术40. 张后伟，侯悦民. 流速对仿鸟扑翼飞行器气动性能的影响. 北京信息科技大学学报(自然科学版). 2018(06): 44-47+57 . 百度学术41. 邓方，宋苏，刘克，吴国政，付俊. 国家自然科学基金自动化领域数据分析与研究热点变化. 自动化学报. 2018(02): 377-384 . 本站查看其他类型引用(43)
-
下载:
计量
- 文章访问数: 4504
- HTML全文浏览量: 1504
- PDF下载量: 2440
- 被引次数: 84
