瓦达·阿里;谢尔盖·科尔尤宾 基于EMG的机器人技能转移学习抓取力估计。 （英语） Zbl 07743370号 Russ.J.非线性动力学。 18，第5号，859-872（2022）. 小结：在本研究中，我们讨论了一种新的机器学习体系结构，即多层预处理-随机森林回归器流水线（MLP-RF模型），该模型将两种不同类型的ML回归器叠加在一起，以估计抓握任务中记录的表面肌电活动信号（EMG）产生的抓握力。我们在公开可用的数据集putEMG Force上评估了我们提出的方法，该数据集表示sEMG Force数据概况。然后对sEMG信号进行滤波和预处理，以获得用于训练所提ML模型的特征-目标数据帧。所提出的ML模型是由两个不同的自然ML模型堆叠而成的流水线；随机森林回归模型（RF回归）和多层感知器人工神经网络（MLP回归）。这些模型叠加在一起，输出被岭回归因子惩罚，以获得两个模型的最佳估计。通过不同的指标对模型进行评估；均方误差和决定系数，或r2得分，以提高模型预测性能。我们使用随机搜索算法和网格搜索算法来调整每个MLP-RF模型组件的最重要超参数。最后，我们通过在同一数据上训练一个由2个LSTM层、2个缺失层和一个致密层组成的递归神经网络（因为这是解决序列数据集问题的常用方法），并将预测结果与我们提出的模型进行比较，评估了MLP-RF模型在数据上的性能。结果表明，MLP-RF模型的性能优于RNN模型。 MSC公司： 68吨10 模式识别、语音识别 关键词：sEMG信号;多层感知器回归器;随机森林回归因子;递归神经网络;机器人抓取力;技能迁移学习 软件：ElemStatLearn（电子状态学习） PDF格式BibTeX公司 XML格式引用 \textit{W.Ali}和\textit{S.Kolyubin}，Russ.J.非线性动力学。18，编号5，859--872（2022；Zbl 07743370） 全文： 内政部 MNR公司 参考文献： [1] Torabi，F.、Warnell，G.和Stone，P.，“观察中的行为克隆”，Proc。第27届国际米兰。人工智能联合会议（IJCAI’18，瑞典斯德哥尔摩，2018年7月），8 pp。 [2] Ho，J.和Ermon，S.，“生成性对抗性模仿学习”，第30届神经信息处理系统大会（NIPS，西班牙巴塞罗那，2016年12月），9页。 [3] Hadfield-Menell，D.、Dragan，A.、Abbeel，P.和Russell，S.，“合作反向强化学习”，第30届神经信息处理系统大会（NIPS，西班牙巴塞罗那，2016年12月），9页。 [4] Uchida，N.、Hiraiwa，A.、Sonehara，N.和Shimohara，K.，“神经网络用于多指控制的肌电模式识别”，Proc。第14届国际年会。IEEE医学和生物学会工程委员会（1992年10月，法国巴黎），第3版，1016-1018 [5] Kelly，M.F.、Parker，P.A.和Scott，R.N.，“神经网络在肌电信号分析中的应用：初步研究”，IEEE Trans。生物识别。工程，37:3（1990），221-230 [6] Koike，Y.和Kawato，M.，“使用神经网络模型从表面肌电信号估计三维空间中的手臂姿势”，IEICE交易基础，E77-D:4（1994），368-375 [7] Huang，H.-P.和Chen，Ch.-Y.“多角度假手肌电识别系统的开发”，Proc。IEEE国际标准。机器人与自动化会议（密歇根州底特律，1999年5月），v.3，2392-2397 [8] Kaczmarek，P.、Maníkowski，T.和Tomczyníski，J.，“putEMG-表面肌电图手势识别数据集”，《传感器》，19:16（2019），3548，17页。 [9] Kursa，M.和Rudnicki，W.，《使用随机森林的所有相关特征选择》，16页，arXiv： [10] Romero，E.和Sopena，J.，“用多层感知器进行特征选择”，IEEE Trans。神经网络。，19:3 (2008), 431-441 [11] John，G.H.、Kohavi，R.和Pfleger，K.，“无关特征和子集选择问题”，Proc。第11届国际米兰。机器学习会议（新泽西州新不伦瑞克罗格斯大学，1994年7月），121-129 [12] Breiman，L.，“叠加回归”，机器学习，24:1（1996），49-64·Zbl 0849.68104号 [13] Lim，Y.，《堆叠集成在更高水平上提高模型性能》，《走向数据科学》，2021年3月25日 [14] Hilt，D.E.和Seegrist，D.W.，Ridge:A Computer Program for Calculating Ridge Regression Estimates，研究说明NE-236，美国农业部林务局东北森林实验站，宾夕法尼亚州上达比，1977年，第7页。 [15] Al-Muhammed，M.J.和Zitar，R.A.，“无约束优化问题的概率定向随机搜索算法”，Appl。软计算。，71 (2018), 165-182 [16] Menke，W.，《地球物理数据分析：离散反演理论》，第3版，Elsevier，阿姆斯特丹，2012年，330页·Zbl 1250.86001号 [17] Ho，T.K.，《随机决策森林》，Proc。第三届国际米兰。文件分析与识别会议（蒙特利尔，QC，1995年8月），第1期，278-282页 [18] Zabinsky，Z.B.，“随机搜索算法”，《威利运筹学与管理科学百科全书》，编辑J.J.Cochran，L.A.Cox，P.Keskinocak，J.P.Kharoufeh，J.C.Smith，Wiley，Hoboken，N.J.，2010年 [19] Liashchynskyi，P.和Liashchunskyi（P.），网格搜索，随机搜索，遗传算法：NAS的重大比较，11页，arXiv： [20] Hastie，T.、Tibshirani，R.和Friedman，J.，《统计学习的要素：数据挖掘、推断和预测》，第二版，纽约斯普林格出版社，2009年，第二十二期，745页·Zbl 1273.62005年 [21] Stone，M.，“通过交叉验证和Akaike标准选择模型的渐近等价性”，J.R.Stat.Soc.系列B Stat.Methodol。，39:1 (1977), 44-47 ·Zbl 0355.6202号 [22] 递归神经网络：设计与应用，编辑：L.R.Medsker，L.C.Jain，CRC，佛罗里达州博卡拉顿，1999年，416页。 [23] Graves，A.，“长-短期记忆”，递归神经网络监督序列标记，研究计算。智力。，385，施普林格，柏林，2012，37-45·Zbl 1235.68014号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。