48、基于签名分析的个性检测与柔性机械臂轨迹跟踪及振动控制

基于签名分析的个性检测与柔性机械臂轨迹跟踪及振动控制

签名分类与个性检测

在签名分类与个性检测的研究中，通过对大量签名的分析，得出了不同个性类别签名的准确率。
- 复杂人群类别 ：图 1 展示了仅复杂人群类别的准确率。数据分析发现，复杂类别的截距为 0.638，这表明该类签名获得对应复杂类别的签名的可能性较高。
- 害羞稳定和谦虚自信等类别 ：图 4 呈现了害羞稳定群体的数据，尽管斜率为负，但截距达到 0.74（当 N 趋于无穷大时），这是害羞稳定类别的准确率。图 5 中谦虚自信类别的准确率为 0.37，图 6 中慵懒谦虚类别的准确率接近 0.35。

在实验中，收集了来自各种资源的大量签名。当样本量为 204 时，采用机器学习技术构建分类系统，并使用神经网络方法达到了 49%的准确率。为了找出特征的个体重要性，运用了统计方法，并计算了如何提高准确率。研究中引入了一个新参数 alpha，它基于进入不同类别而非实际类别的签名总数。给定类别中来自一个类别的签名数量大约为正负 0.173。当 N 趋于无穷大时，准确率会更高。总体而言，对于单个特征，获得了超过 70%的良好准确率。

以下是不同个性类别签名准确率的表格：
| 个性类别 | 准确率 |
| ---- | ---- |
| 复杂人群 | 截距 0.638 暗示可能性高 |
| 害羞稳定 | 0.74（N 趋于无穷大时） |
| 谦虚自信 | 0.37 |
| 慵懒谦虚 | 接近 0.35 |

柔性机械臂的轨迹跟踪与振动控制

研究背