6.1 系统设计概述 6.2 系统总体结构设计 6.3 系统结构框架设计 6.4 代码设计 6.5 数据库设计 6.6 输入/输出及人机界面设计 6.7 模块处理过程设计 6.8 系统设计报告

为解决现有上肢康复机器人其人机交互系统重治疗、轻评估的弊端ꎬ本课题以中央驱动上肢康复机器人为研究对象ꎬ设计一种基于Ｑｔ、数据库(ＭＹＳＱＬ)和虚拟现实技术ꎬ并集成用户信息管理、康复评定、康复训练、生成康复报告等功能模块为一体的医￣机￣人三者交互系统ꎮ通过功能测试验证了结合训练与评估系统的上肢康复机器人系统ꎬ发现其不仅能提高康复治疗师工作效率ꎬ同时也为患者提供了一种高效、富有趣味性的康复训练模式

第一节 人机系统概述 第二节 人机系统设计思想与程序 第三节 人机系统评价概述 第四节 人机系统分析评价方法

第一节 工作（规划）设计 第二节 岗位设计 第三节 显示器设计

《机电一体化系统设计》课程教学资源（实例PPT）无人机飞行管理与控制系统 Flight management and control for UAV（Unmanned Aerial Vehicle）

工效学的定义 工效学的研究内容 工效学的研究方法 人机系统及其设计

第九章安全人机系统及其设计 一、人机系统的设计 二、人机系统的可靠性 三、人机系统检查与评价

11.1 总体设计的目标 11.2 总体设计的原则 11.3 总体设计的程序 11.4 总体设计的要点 11.5 总体设计的评价 11.6 无障碍化人机系统设计示例

1 自然语言人机交互 2 语音识别 3 语音合成 4 实际案例

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机