摘要 | 第6-7页 |
Abstract | 第7页 |
第1章 绪论 | 第11-19页 |
1.1 课题来源及研究意义 | 第11-12页 |
1.2 国内外微惯性器件的发展与现状 | 第12-17页 |
1.2.1 硅微陀螺仪的研究与发展 | 第12-14页 |
1.2.2 硅微加速度计的研究与发展 | 第14-15页 |
1.2.3 微惯性测量单元的发展及研究现状 | 第15-17页 |
1.3 论文主要研究内容及结构安排 | 第17-19页 |
第2章 MEMS器件系统误差分析及标定补偿 | 第19-36页 |
2.1 MEMS惯性器件系统误差分析 | 第19-21页 |
2.1.1 零偏与标度因数误差 | 第19-20页 |
2.1.2 安装误差 | 第20-21页 |
2.1.3 比力有关项 | 第21页 |
2.1.4 温度误差 | 第21页 |
2.2 低成本MIMU惯性器件与测试设备 | 第21-24页 |
2.2.1 实验室自制MEMS MIMU | 第22页 |
2.2.2 MIMU测试设备 | 第22-23页 |
2.2.3 MIMU数据采集系统 | 第23-24页 |
2.3 MEMS惯性器件系统误差模型的建立与解算 | 第24-28页 |
2.3.1 硅MEMS加速度计误差模型建立 | 第24-25页 |
2.3.2 建立硅微陀螺仪误差模型 | 第25-26页 |
2.3.3 MEMS模型系数的解算 | 第26-28页 |
2.4 常温下MEMS惯性器件标定试验过程 | 第28-31页 |
2.4.1 硅微加速度计静态试验 | 第29-30页 |
2.4.2 硅微陀螺仪动态试验 | 第30-31页 |
2.5 标定与补偿结果分析 | 第31-35页 |
2.5.1 硅微加速计标补结果 | 第31-33页 |
2.5.2 硅微陀螺仪标补结果 | 第33-35页 |
2.6 本章小结 | 第35-36页 |
第3章 基于神经网络的MIMU全温补偿方法 | 第36-50页 |
3.1 MEMS惯性器件全温测试 | 第36-39页 |
3.1.1 温度测试结果分析 | 第37-38页 |
3.1.2 MEMS器件温度误差模型 | 第38-39页 |
3.2 径向基神经网络 | 第39-43页 |
3.2.1 RBF网络的基本原理 | 第40-42页 |
3.2.2 RBF网络的学习算法 | 第42-43页 |
3.3 基于RBF网络的标定补偿方法 | 第43-48页 |
3.3.1 RBF神经网络的设计 | 第44-46页 |
3.3.2 RBF网络补偿结果分析 | 第46-48页 |
3.4 基于RBF网络的非线性滤波 | 第48页 |
3.5 本章小结 | 第48-50页 |
第4章 MEMS传感器随机误差的表征与辨识 | 第50-62页 |
4.1 随机误差的辨识方法 | 第50-51页 |
4.2 Allan方差与各噪声源分析 | 第51-58页 |
4.2.1 Allan方差原理分析 | 第51-53页 |
4.2.2 噪声源分析 | 第53-58页 |
4.3 MEMS惯性器件的Allan方差分析 | 第58-60页 |
4.3.1 Allan方差模型 | 第58-59页 |
4.3.2 Allan方差结果分析 | 第59-60页 |
4.4 本章小结 | 第60-62页 |
第5章 MEMS惯性器件随机漂移的Kalman滤波 | 第62-79页 |
5.1 卡尔曼滤波技术 | 第62-65页 |
5.1.1 随机离散系统的数学模型 | 第62-63页 |
5.1.2 离散Kalman滤波的基本方程 | 第63-65页 |
5.2 系统误差的Kalman滤波 | 第65-67页 |
5.3 MIMU随机漂移的Kalman滤波处理 | 第67-75页 |
5.3.1 时间序列概率模型 | 第68-69页 |
5.3.2 随机数据的统计性分析 | 第69-72页 |
5.3.3 模型参数的估计与滤波 | 第72-74页 |
5.3.4 MEMS器件Kalman滤波结果分析 | 第74-75页 |
5.4 动态下器件漂移的扩展Kalman滤波 | 第75-76页 |
5.5 自适应Kalman滤波 | 第76-78页 |
5.6 MEMS惯性器件补偿结果分析 | 第78页 |
5.7 本章小结 | 第78-79页 |
结论 | 第79-80页 |
参考文献 | 第80-83页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第83-84页 |
致谢 | 第84-85页 |