| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.2 加速度表在国内外的研究现状 | 第10-13页 |
| 1.3 论文研究目标 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 2 基于LabVIEW的加速度表数据采集软件 | 第16-35页 |
| 2.1 加速度表标定方案选择 | 第16-19页 |
| 2.2 加速度表标定数据处理方法 | 第19-21页 |
| 2.3 基于ZigBee的数据采集方案 | 第21-23页 |
| 2.4 数据采集软件设计 | 第23-33页 |
| 2.4.1 数据采集软件架构 | 第24-25页 |
| 2.4.2 加速度表的数据采集模块设计 | 第25-28页 |
| 2.4.3 加速度表数据处理模块设计 | 第28-33页 |
| 2.5 加速度表静态参数测试 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 3 加速度表参数时间序列的预测模型 | 第35-57页 |
| 3.1 NAR神经网络模型的建模 | 第35-41页 |
| 3.1.1 NAR神经网络的模型的结构 | 第35-36页 |
| 3.1.2 模型参数设置 | 第36-37页 |
| 3.1.3 BP学习算法 | 第37-40页 |
| 3.1.4 NAR神经网络的训练过程 | 第40-41页 |
| 3.2 小波神经网络和AR的组合模型 | 第41-52页 |
| 3.2.1 小波神经网络与AR模型 | 第41-49页 |
| 3.2.2 小波神经网络和AR组合模型的描述 | 第49页 |
| 3.2.3 组合模型的实现 | 第49-52页 |
| 3.3 时间序列多步预测的实现 | 第52页 |
| 3.4 改进型贝叶斯组合预测的实现 | 第52-55页 |
| 3.4.1 传统贝叶斯模型 | 第53-54页 |
| 3.4.2 贝叶斯组合模型的改进算法 | 第54-55页 |
| 3.5 模型误差的评价判断标准 | 第55-56页 |
| 3.6 本章小结 | 第56-57页 |
| 4 加速度表参数预测模型的实现及结果分析 | 第57-82页 |
| 4.1 研究对象的获取 | 第57页 |
| 4.2 加速度表V109参数时间序列的建模与预测 | 第57-70页 |
| 4.2.1 数据的预处理 | 第58-59页 |
| 4.2.2 NAR神经网络建模与预测 | 第59-62页 |
| 4.2.3 小波神经网络与AR模型的组合建模和预测 | 第62-66页 |
| 4.2.4 改进型贝叶斯组合预测 | 第66-69页 |
| 4.2.5 改进型贝叶斯组合模型与ARMA模型预测结果对比 | 第69-70页 |
| 4.3 加速度表V128参数时间序列的建模与预测 | 第70-81页 |
| 4.3.1 数据的预处理 | 第70-71页 |
| 4.3.2 NAR神经网络建模与预测 | 第71-74页 |
| 4.3.3 小波神经网络与AR模型的组合建模和预测 | 第74-77页 |
| 4.3.4 改进型贝叶斯组合预测 | 第77-80页 |
| 4.3.5 改进型贝叶斯组合模型与ARMA模型预测结果对比 | 第80-81页 |
| 4.4 本章小结 | 第81-82页 |
| 结论 | 第82-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 攻读硕士学位期间取得的成果 | 第90页 |
