| 第一章 绪论 | 第1-34页 |
| 1．1 立题的目的与意义 | 第13-15页 |
| 1．2 水利测量中传感器的使用 | 第15-16页 |
| 1．3 人工神经网络的发展进程与研究现状 | 第16-28页 |
| 1．3．1 神经网络算法的发展进程 | 第16-18页 |
| 1．3．2 常用的神经网络及其研究现状 | 第18-28页 |
| 1．4 神经网络算法在测量技术中的应用进展 | 第28-30页 |
| 1．5 本文主要研究内容 | 第30-34页 |
| 1．5．1 人工神经网络算法的改进 | 第30-31页 |
| 1．5．2 神经网络算法在传感器误差补偿中应用 | 第31-32页 |
| 1．5．3 神经网络算法在光栅传感器细分中应用 | 第32-34页 |
| 第二章 采用微粒群算法训练的BP神经网络研究 | 第34-46页 |
| 2．1 BP神经网络的理论分析 | 第34-38页 |
| 2．1．1 多层前馈网络结构 | 第34-35页 |
| 2．1．2 误差反向传播(BP)训练算法 | 第35-37页 |
| 2．1．3 BP算法存在的缺点 | 第37-38页 |
| 2．2 用微粒群(PSO)算法训练的BP神经网络 | 第38-45页 |
| 2．2．1 PSO算法基本理论 | 第39页 |
| 2．2．2 PSO算法流程 | 第39-40页 |
| 2．2．3 PSO算法优化能力分析 | 第40-42页 |
| 2．2．4 PSO算法训练BP神经网络与实验仿真 | 第42-45页 |
| 2．3 本章小结 | 第45-46页 |
| 第三章 单输入/单输出的小脑模型神经网络(SISO-CMAC)研究 | 第46-67页 |
| 3．1 小脑模型神经网络(CMAC)运行机理分析 | 第46-52页 |
| 3．1．1 CMAC的结构及其非线性映射 | 第46-50页 |
| 3．1．2 CMAC的学习过程与收敛性 | 第50-51页 |
| 3．1．3 CMAC的泛化能力 | 第51-52页 |
| 3．2 单输入/单输出的小脑模型神经网络(SISO-CAMC) | 第52-57页 |
| 3．2．1 SISO-CMAC结构 | 第52-53页 |
| 3．2．2 SISO-CMAC的学习过程 | 第53-54页 |
| 3．2．3 SISO-CMAC收敛性分析 | 第54-57页 |
| 3．2．4 仿真分析 | 第57页 |
| 3．3 SISO-CMAC对多维函数逼近 | 第57-65页 |
| 3．3．1 用SISO-CMAC实现二维非线性函数的逼近 | 第58-61页 |
| 3．3．2 用SISO-CMAC实现多维非线性函数的逼近 | 第61-65页 |
| 3．4 本章小结 | 第65-67页 |
| 第四章 传感器静态非线性误差的神经网络补偿研究 | 第67-82页 |
| 4．1 传感器静态非线性反函数补偿方法 | 第67-69页 |
| 4．2 用BP神经网络算法实现静态误差补偿 | 第69-72页 |
| 4．2．1 采用BP神经网络的补偿方法 | 第69-71页 |
| 4．2．2 应用与实验 | 第71-72页 |
| 4．3 用SISO-CMAC实现静态误差补偿 | 第72-77页 |
| 4．3．1 SISO-CAMC的补偿方法 | 第73-75页 |
| 4．3．2 应用与实验 | 第75-77页 |
| 4．4 水利水电工程中的压力传感器误差校正 | 第77-80页 |
| 4．4．1 压力传感器在水利测量中的应用 | 第77-78页 |
| 4．4．2 压阻式压力传感器及其误差特性 | 第78页 |
| 4．4．3 压阻式压力传感器误差的神经网络补偿 | 第78-79页 |
| 4．4．4 实验与结果 | 第79-80页 |
| 4．5 本章小结 | 第80-82页 |
| 第五章 传感器动态测量误差的神经网络补偿研究 | 第82-99页 |
| 5．1 基于线性动态神经元补偿的传感器动态测量 | 第83-89页 |
| 5．1．1 动态补偿器设计方法 | 第84-85页 |
| 5．1．2 线性动态神经元(LDN) | 第85-86页 |
| 5．1．3 线性动态神经元补偿过程 | 第86页 |
| 5．1．4 实验与仿真 | 第86-89页 |
| 5．2 SISO-CMAC的非线性逆滤波改善传感器动态特性的研究 | 第89-93页 |
| 5．2．1 SISO-CMAC的非线性逆滤波补偿理论 | 第90-91页 |
| 5．2．2 实验与仿真 | 第91-93页 |
| 5．3 在水轮发电机组低频振动信号测量中的应用 | 第93-97页 |
| 5．3．1 惯性式速度传感器(绝对振动传感器) | 第93-95页 |
| 5．3．2 惯性式速度传感器的神经网络补偿 | 第95-96页 |
| 5．3．3 仿真结果 | 第96-97页 |
| 5．4 本章小结 | 第97-99页 |
| 第六章 提高光栅传感器测量精度与分辨率的研究 | 第99-111页 |
| 6．1 光栅传感器 | 第99-102页 |
| 6．1．1 光栅传感器的结构分析 | 第99-100页 |
| 6．1．2 提高光栅传感器测量精度的研究成果与动态 | 第100-102页 |
| 6．2 神经网络算法实现光栅传感器的高精度细分研究 | 第102-105页 |
| 6．2．1 神经网络算法的细分方法 | 第102-104页 |
| 6．2．2 测量系统工作过程 | 第104-105页 |
| 6．2．3 实验和结果 | 第105页 |
| 6．3 减小光栅测量系统随机误差的研究 | 第105-109页 |
| 6．3．1 多项式预测滤波器 | 第106-108页 |
| 6．3．2 传感器信号滤波处理 | 第108页 |
| 6．3．3 实验和仿真 | 第108-109页 |
| 6．4 本章小结 | 第109-111页 |
| 第七章 总结与展望 | 第111-114页 |
| 7．1 总结 | 第111-112页 |
| 7．2 展望 | 第112-114页 |
| 参考文献 | 第114-126页 |
| 致谢 | 第126-127页 |
| 附录 在读博士期间发表论文、参加研究的课题以及获奖情况 | 第127-128页 |
