| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第6-9页 |
| 前言 | 第9-13页 |
| 第一章 随钻测斜仪简介 | 第13-20页 |
| ·随钻测斜仪的构成 | 第13-15页 |
| ·加速度传感器 | 第13-14页 |
| ·磁通门传感器 | 第14-15页 |
| ·随钻测斜仪的工作原理 | 第15页 |
| ·随钻测斜仪的数学模型 | 第15-18页 |
| ·随钻测斜仪的误差分析 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第二章 基于 Elman 神经网络的传感器补偿算法的研究 | 第20-26页 |
| ·Elman 神经网络 | 第20-23页 |
| ·Elman 神经网络的基本模型 | 第20-21页 |
| ·Elman 神经网络模型的构建 | 第21-22页 |
| ·Elman 神经网络的学习算法 | 第22-23页 |
| ·Elman 神经网络在随钻测斜仪传感器补偿中的应用 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于遗传 Elman 神经网络的传感器补偿算法的研究 | 第26-34页 |
| ·基本的遗传算法 | 第26页 |
| ·GA 的基本原理 | 第26-30页 |
| ·编码 | 第26-27页 |
| ·适应度函数 | 第27-28页 |
| ·选择操作 | 第28页 |
| ·交叉操作 | 第28-29页 |
| ·变异操作 | 第29页 |
| ·约束条件的处理 | 第29-30页 |
| ·自适应遗传算法及主要参数选择 | 第30-31页 |
| ·初始种群的大小 | 第30页 |
| ·编码方法 | 第30页 |
| ·适应度函数 | 第30页 |
| ·选择算子 | 第30页 |
| ·自适应交叉算子 | 第30-31页 |
| ·自适应变异算子 | 第31页 |
| ·算法终止准则 | 第31页 |
| ·自适应遗传算法优化Elman 神经网络权阈值 | 第31页 |
| ·遗传Elman 神经网络在随钻测斜仪传感器补偿中的应用 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于自适应蚁群算法的传感器补偿算法的研究 | 第34-42页 |
| ·基本蚁群算法 | 第34-38页 |
| ·基本蚁群算法的原理 | 第34-35页 |
| ·基本蚁群算法的数学模型 | 第35-36页 |
| ·基本蚁群算法的实现步骤 | 第36-38页 |
| ·自适应蚁群算法 | 第38-39页 |
| ·基于自适应蚁群算法的Elman 神经网络训练 | 第39-40页 |
| ·自适应蚁群Elman 神经网络在随钻测斜仪传感器补偿中的应用 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 传感器补偿算法的 DSP 实现 | 第42-51页 |
| ·DSP 硬件开发环境 | 第42-45页 |
| ·TMS320DM642 平台简介 | 第42-43页 |
| ·CPU 内核 | 第43-44页 |
| ·存储结构 | 第44-45页 |
| ·DSP 软件开发环境 | 第45-47页 |
| ·CCS 集成开发环境 | 第45页 |
| ·基于CCS 的软件开发流程 | 第45-46页 |
| ·系统调试方法 | 第46-47页 |
| ·传感器补偿算法的DSP 移植 | 第47-49页 |
| ·基本数据类型的修改 | 第47页 |
| ·变量初始化和重复定义的问题 | 第47-48页 |
| ·时序问题的处理 | 第48页 |
| ·添加相应的硬件支持库 | 第48页 |
| ·存储空间的分配 | 第48-49页 |
| ·移植后算法测试结果 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 基于 DM642 平台的算法优化 | 第51-58页 |
| ·程序代码的优化 | 第51页 |
| ·基于硬件资源的优化 | 第51-55页 |
| ·存储器优化 | 第51-52页 |
| ·使用软件流水进行优化 | 第52-54页 |
| ·使用内联函数优化 | 第54-55页 |
| ·基于EDMA 技术进行优化 | 第55页 |
| ·利用编译选项优化 | 第55-56页 |
| ·优化后算法性能测试 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 发表文章目录 | 第63-64页 |
| 致谢 | 第64-65页 |
| 详细摘要 | 第65-73页 |
