| 第1章 绪论 | 第1-21页 |
| 1．1 概述 | 第9页 |
| 1．2 微电子机械（MEMS）技术综述 | 第9-11页 |
| 1．2．1 MEMS及其发展概况 | 第9-10页 |
| 1．2．2 MEMS加工工艺 | 第10-11页 |
| 1．2．3 MEMS产品 | 第11页 |
| 1．3 微机械加速度计综述 | 第11-16页 |
| 1．3．1 微机械加速度计的发展概况与技术特点 | 第12-15页 |
| 1．3．2 微机械加速度计产品 | 第15-16页 |
| 1．4 其它微机械惯性传感器的现状与发展趋势 | 第16-20页 |
| 1．4．1 微机械陀螺仪 | 第16-18页 |
| 1．4．2 微机械惯性测量组合 | 第18-20页 |
| 1．5 本文的主要工作 | 第20-21页 |
| 第2章 ADXL05硅微型加速度计的测试与建模 | 第21-40页 |
| 2．1 引言 | 第21页 |
| 2．2 ADXL05型硅微加速度计介绍 | 第21-28页 |
| 2．2．1 ADXL05性能指标与引脚分配 | 第21-24页 |
| 2．2．2 ADXL05工作原理 | 第24-26页 |
| 2．2．3 加速度计物理模型 | 第26-28页 |
| 2．3 ADXL05参数测试与数学模型辨识 | 第28-35页 |
| 2．3．1 加速度计重力场静态翻滚试验 | 第28-29页 |
| 2．3．2 ADXL05的主要参数测试及数据分析 | 第29-32页 |
| 2．3．3 ADXL05的静态数学模型辨识 | 第32-35页 |
| 2．4 ADXL05的参数调节与应用 | 第35-38页 |
| 2．4．1 调节标度因数与零位偏值 | 第35-36页 |
| 2．4．2 ADXL05的实际应用 | 第36-38页 |
| 2．5 本章小结 | 第38-40页 |
| 第3章 基于神经网络的硅微加速度计非线性误差校正 | 第40-58页 |
| 3．1 引言 | 第40-42页 |
| 3．2 BP神经网络 | 第42-51页 |
| 3．2．1 BP学习算法 | 第43-44页 |
| 3．2．2 BP算法的改进 | 第44-47页 |
| 3．2．3 BP网络的设计考虑 | 第47-48页 |
| 3．2．4 基于BP神经网络加速度计非线性校正 | 第48-51页 |
| 3．3 FLANN神经网络 | 第51-56页 |
| 3．3．1 FLANN神经网络与学习算法 | 第51-53页 |
| 3．3．2 基于FLANN神经网络加速度计非线性校正 | 第53-56页 |
| 3．4 FLANN神经网络与BP网络的比较 | 第56页 |
| 3．5 本章小结 | 第56-58页 |
| 第4章 微机械惯性敏感器群的信息融合方法 | 第58-67页 |
| 4．1 引言 | 第58页 |
| 4．2 平均法 | 第58-60页 |
| 4．3 加权平均法 | 第60-65页 |
| 4．3．1 加权平均法介绍 | 第60-61页 |
| 4．3．2 公式证明 | 第61-62页 |
| 4．3．3 伪信息的剔除 | 第62-64页 |
| 4．3．4 仿真 | 第64-65页 |
| 4．4 本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附录 | 第75-84页 |