神经网络在测试系统中的非线性建模方法研究及其应用
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-13页 |
| ·本课题研究背景及意义 | 第8-9页 |
| ·神经网络的国内外研究现状 | 第9-11页 |
| ·本论文的主要研究内容 | 第11-13页 |
| 2 基于神经网络的系统建模中的基本问题 | 第13-28页 |
| ·系统建模 | 第13-17页 |
| ·系统建模中的基本问题 | 第13-14页 |
| ·系统建模的基本方法 | 第14-15页 |
| ·系统建模的基本步骤 | 第15-16页 |
| ·模型阶次确定的准则 | 第16页 |
| ·模型证实的方法 | 第16-17页 |
| ·模型参数估计子的评价 | 第17页 |
| ·神经网络 | 第17-28页 |
| ·神经网络建模的特点 | 第18-19页 |
| ·神经网络建模的内涵 | 第19页 |
| ·神经网络辨识模型及结构 | 第19-21页 |
| ·神经网络结构参数的确定 | 第21-22页 |
| ·神经网络中的典型训练算法 | 第22-25页 |
| ·NARX神经网络 | 第25-28页 |
| 3 压力传感器建模分析 | 第28-46页 |
| ·激波管校准系统简介 | 第28-29页 |
| ·建模仿真 | 第29-32页 |
| ·神经网络辨识精度分析 | 第32-44页 |
| ·最优训练算法的确定 | 第34-38页 |
| ·最优隐层传递函数的确定 | 第38-41页 |
| ·权值收敛一致性研究 | 第41-42页 |
| ·普适化模型的建立 | 第42-44页 |
| ·结论 | 第44-46页 |
| 4 高G值加速度传感器建模分析 | 第46-58页 |
| ·高G值加速度计激光干涉法校准系统简介 | 第46-47页 |
| ·建模仿真 | 第47-50页 |
| ·神经网络辨识精度分析 | 第50-57页 |
| ·最优训练算法的确定 | 第50-53页 |
| ·最优隐层传递函数的确定 | 第53-57页 |
| ·结论 | 第57-58页 |
| 5 传感器非线性补偿环节建模分析 | 第58-66页 |
| ·补偿原理 | 第58页 |
| ·神经网络补偿修正的可行性研究 | 第58-60页 |
| ·神经网络补偿修正泛化能力研究 | 第60-64页 |
| ·动态特性的补偿修正 | 第64-65页 |
| ·结论 | 第65-66页 |
| 6 总结 | 第66-68页 |
| ·全文总结 | 第66页 |
| ·本文的创新点和存在的不足 | 第66-67页 |
| ·本文的主要创新点 | 第66-67页 |
| ·工作中的不足之处 | 第67页 |
| ·展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 硕士期间发表的论文及科研工作 | 第72-73页 |
| 致谢 | 第73页 |
