一、ARMA MICRO空用计算机（论文文献综述）
E.Keonjian[1]（1967）在《ARMA MICRO空用计算机》文中研究指明 ARMA MICRO计算机,是一台串行二进制存贮程序计算机。计算速度为36000次操作/秒,字长22位。加减法,包括存取时同在内,需要27×10-6秒;乘法,135×10-6秒;除法,324×10-6秒;平方根视精度要求而定,最长可达584×10-6秒。虽然是一台串行机,但是却由于采用并行存取,由于应用了节省机器设备的特殊算法,使乘、除、平方根的处理近似平行处理,计算速度得到提高。此外,由于加、减、乘、除和平方根等操作可以同时进行,也
贾朝龙[2]（2013）在《铁路轨道不平顺数据挖掘及其时间序列趋势预测研究》文中进行了进一步梳理铁路轨道状态的优劣直接决定列车运行是否安全。轨道的平顺性不仅是衡量轨道状态的重要指标,也是评价列车运行品质的基础。在轨道不平顺存在的情况下,轻则列车必须限速运行,重则会造成列车倾覆。因此,研究轨道不平顺变化的规律,掌握变化的趋势,防患于未然,无疑是铁路工务部门所迫切需要的。本文正是在这样的背景下,通过对轨道不平顺数据的研究和分析,挖掘轨道不平顺数据中隐含的规律,建立数学模型对未来趋势进行预测,最终为铁路工务各相关部门业务提供数据及状态变化模型上的支持,服务于铁路运输安全。在轨道不平顺数据分析研究阶段,论文首先系统地对轨道不平顺数据特点进行分析,针对数据质量存在的问题,提出基于数据挖掘思想,具体操作上采用聚类分析方法进行异常数据识别,提出基于趋势相似性的数据偏移校正算法、基于异常度的局部异常值识别及消噪算法,对数据进行预处理。其次,提出采用小波分解与重构的方法对轨道不平顺时间序列进行分解与重构,为轨道不平顺预测建模奠定数据基础。最后,由于轨道几何不平顺数据反映轨道状态变化的动态特征,是一种典型的时态数据,论文通过数据挖掘概念及算法研究,对轨道不平顺序列进行聚类分析,发现轨道不平顺序列模式特征。在具体研究中,论文对原始数据、标准差数据、标准差小波分解数据和标准差近似序列数据进行聚类的实例分析,挖掘轨道不平顺序列模式特征,发现并描述了数据变化的趋势。在轨道状态预测分析阶段,论文首先针对轨道状态变化的惯性特征,由于轨道状态具有记忆效应,轨道最新的检测状态与最近的上一次检测状态具有相似性,相邻时间检测状态具有相似趋势性。宏观上看,轨道状态变化在轨道整个生命周期内呈现非线性变化,但是在微观上,短时间内,如果进行频繁轨道检测,就会发现短相邻时间内轨道状态变化可以近似为线性特征。基于此假设,并结合轨道不平顺时间序列数据的非等时距特征,论文提出基于非等时距短期历史趋势的时间序列分段线性递推模型（PLRMSHT）。同时,为提高PLRMSHT模型的预测精度,对模型产生的残差项采用基于傅立叶三角变换的方法进行残差修正拟合,实例分析证明残差修正后的PLRMSHT具有较好的预测精度,模型取得了满意结果。其次,由于小波变换可以通过对时间（空间）频率的局部化分析和伸缩平移运算对信号（函数）逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分。小波的这个特征能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节,把函数分解成一系列简单基函数的表示,无论是在理论上,还是实际应用中都有重要意义。因此,论文提出基于小波分解-重构的思想对轨道不平顺时间序列进行细分,分别对小波分解得到的细节信号、近似信号寻找最佳拟合预测模型。具体研究中,针对经过残差修正的ARIMA预测模型比原始ARIMA预测模型具有更高的预测精度,但残差修正过程不仅增加了模型的计算量和复杂度而且也不能反映其变化的本质的不足,本文提出基于小波分解-重构的分段线性-ARMA递推模型（PL-ARMARWDR）。通过小波分解变换,低频近似序列更加平缓顺滑,趋势性更加明显,高频细节序列更加平稳。模型中,低频近似序列采用线性递推模型,高频细节序列采用ARMA模型。由于轨道状态变化在实际上并不呈现线性变化趋势,其变化趋势是非线性的,研究表明轨道不平顺变化更符合指数趋势变化。由于灰色模型是一种采用指数函数近似的模型,因此论文提出基于小波分解-重构的分段灰色-ARMA递推模型（PG-ARMARWDR）。在模型中,低频近似序列采用灰色递推模型,高频细节序列采用ARMA模型。由于神经网络模型作为一种重要的非线性建模方法有着广泛的应用,神经网络模型可以近似任何非线性过程,因此论文提出基于小波分解-重构的分段神经网络-ARMA递推模型（PANN-ARMARWDR）。在模型中,低频近似序列采用神经网络递推模型,高频细节序列采用ARMA模型。经过“分解—建模—重构”过程,所提出的模型实现了轨道不平顺状态趋势变化的精确预测。在本文结尾,论文通过实例对四种预测模型的预测精度进行分析,预测精度指标MSE和MAPE显示所提出模型都属于高精度预测,模型都取得了满意的结果,同时对模型的适用情况也进行比较和分析。
马云峰[3]（2006）在《MSINS/GPS组合导航系统及其数据融合技术研究》文中指出MSINS/GPS组合导航系统具有巨大的军事、民用价值和广阔的应用前景,本文针对MIMU和GPS数据的预处理、分布式导航计算机的软硬件设计、数据融合方法等开展了较为深入地研究,所作的主要工作可归纳为如下几个方面:（1）完成了基于小型光纤陀螺仪和石英挠性加速度计的MIMU安装支架设计,并进行了整体装配;对小型光纤陀螺和石英加速度计分别进行了性能测试和分析,对MIMU进行了整体标定;针对高精度三轴转台价格昂贵、安装在室内无法在转台上接收GPS信号进行动态实验的缺点,提出了采用变几何衍架结构的低成本惯性测量组合标定系统软硬件设计方案;在运用小波分析方法提取陀螺仪输出数据中的趋势项的基础上,建立了陀螺仪漂移的ARMA模型;分析了GPS报文的格式,针对MSINS/GPS组合的不同方式,介绍了报文的解码方法,编制了相关的程序。（2）以DSP为核心设计了MSINS/GPS分布式控制组合导航计算机,并对其进行了软、硬件调试。采用浮点放大器和CPLD实现了MIMU的高速、高精度数据采集;采用单片机控制接收、判断和校验GPS-OEM板异步串口输出的报文;各处理器之间通过双端口RAM共享数据,从而实现了分布式控制。系统与主机的通信采用RS-232/485/422多协议串口;为提高系统的任务调度能力,对μC/OS-II实时操作系统进行了移植应用。 （3）简要阐述了捷联惯性导航系统的工作原理,给出了导航解算方法,列出了MSINS的误差传播方程。分析了MSINS和GPS的组合技术,给出了位置/速度组合、伪距/伪距率组合的状态方程和量测方程,确定了组合系统的校正方法。针对GPS串行输出的量测信息输出滞后问题,采用GPS接收机输出的1PPS脉冲,结合CPLD、DSP、MCU内部的定时器、中断等相应的硬件资源,针对不同的组合方案与软件相结合,实现了MIMU和GPS的数据同步。（4）提出了一种改进的联邦强跟踪卡尔曼滤波算法,并将其应用于MSINS/GPS浅组合中。采用了三层容错结构,能够有效地检测出数据粗大误差、GPS速度跳变以及滤波器误差估计的故障,及时进行故障隔离,从而使系统具有良好的容错能力。仿真结果表明,联邦强跟踪卡尔曼滤波算法解决了量测相关、GPS速度跳变和初值选取敏感性等问题,可以提高系统的实时性、鲁棒性和容错性能。（5）提出了一种分散区间Kalman滤波算法,并将其应用在MSINS/GPS深组合中。对系统噪声和量测噪声用区间描述,并对系统噪声根据滤波结果采用模糊自适应方法进行调整;采用多传感器线性最小方差最优估计标量加权方法实现子滤波器之间的数据融合;运用一种较为简单的区间矩阵求逆方案,利用时变马尔可夫模型在线调整滤波输出加权系数;仿真结果表明该改进算法的状态估计精度较高。（6）建立了MSINS/GPS组合导航的实验系统,并进行了静态实验。测试结果表明,该系统从导航计算机设计到相应的数据融合处理算法是成功的,为今后进行MSINS/GPS组合系统进一步实验研究奠定了良好的基础。
孙柏虹[4]（2010）在《基于MEMS的捷联航姿系统初始对准技术研究》文中研究表明硅微惯性器件是集微型精密机械、微电子学、半导体集成电路工艺等新技术于一身的世界前沿性新技术。本文将重点研究由硅微惯性传感器组成的微惯性航姿系统的初始对准问题。硅微陀螺仪由于其可批量生产、体积小等优点已经在军事和民用方面起到了越来越大的作用。但硅微陀螺仪因为技术和工艺的限制,导致陀螺随机误差比较大。所以必须对随机误差进行补偿,为此需要对陀螺的随机噪声进行处理并建立数学模型。本文采用时间序列分析的方法对硅微陀螺仪的随机误差进行了检验和分析,并结合实测数据利用ARMA模型进行了建模与分析。初始对准技术对于微惯性航姿系统而言非常重要,其精度直接决定了系统工作的精度与速度。论文首先分析了捷联式惯性导航系统的相关理论,并在此基础上对硅微系统在静基座条件下的初始对准技术进行了研究。由于硅微陀螺具有不能敏感地球自转角速度的缺点,本文提出引入电子罗盘传感器的量测值解算航向角的方法辅助完成初始对准。由于在实际应用中微惯性航姿系统的工作环境经常是十分恶劣的,不能满足卡尔曼滤波所需的系统为线性系统,噪声服从或近似服从高斯分布,在初始对准的失准角为小角度等条件,传统的卡尔曼滤波经常失效。针对这一问题,本文提出应用粒子滤波理论对非线性非高斯条件下的微惯性航姿系统的初始对准进行滤波。并详细介绍了粒子滤波理论的基本原理,并对退化现象这一妨碍粒子滤波技术在实际工程中得到良好的应用的问题进行了分析,提出了两种解决退化现象的方法。本文还在粒子滤波的基础上介绍了无迹粒子滤波的原理和步骤,并针对粒子滤波和无迹粒子滤波的差别进行了仿真比较分析。最后,本文对粒子滤波技术在微惯性航姿系统的初始对准中的应用进行了仿真实验。结果表明,粒子滤波技术在非线性,非高斯状态下的滤波效果明显优于卡尔曼滤波,系统功能满足实践需要,具有广阔的应用前景。
乔会敏[5]（2013）在《MEMS惯性器件参数辨识及误差补偿技术研究》文中提出低成本MEMS惯性器件具有体积小、重量轻、功耗低、可靠性高等优点，但是低成本MEMS惯性器件的测量精度较低，因此提高低成本MEMS惯性器件的精度是实现高精度微小型导航、制导与控制系统的关键技术。本文针对低成本MEMS惯性器件的测量精度低的难题开展了器件的误差标定与补偿技术的研究。首先，根据低成本MEMS惯性器件工作环境和传统滤波器的缺点，确定了小波分析作为测量单元的前置滤波。经过对不同基在不同分解层数下的均方误差和信噪比的比较，确定了适合的小波基与分解层数，同时对动态震荡信号进行了阈值滤波。去噪结果表明，该滤波方法能有效的降低惯性器件的噪声。其次，对低成本MEMS惯性器件的误差机理进行了分析，建立了误差的数学模型，通过对加速计的六位置静态测试和陀螺仪的动态速率测试，并结合解析法对误差系数进行了解算，最终实现对器件的补偿。再次，对确定性误差系数建立了kalman滤波方程，用Allan variance方法识别惯性器件数据中的误差项，并将其细致的表征和辨识出来应用到kalman滤波方程的误差矩阵中。对零偏和刻度因子与温度和转速进行建模，利用非线性回归辨识出模型中的参数。最后，在温度和转速测试范围内对器件进行补偿。最后，用时间序列分析的方法对惯性器件的随机漂移进行建模，用线性kalman滤波、扩展kalman滤波、自适应kalman滤波最终实现对动态震荡信号的滤波，惯性器件在全测试范围内经标定、随机误差滤波补偿后与MTi进行比较，结果表明，补偿效果整体优于MTi。
刘海龙[6]（2016）在《加速度测试电路设计与建模分析》文中指出炮弹在内弹道发射时,发射药的爆炸冲击高达几万个重力加速度。冲击可能会超过炮弹能够承受的高过载,导致炮弹杀伤性能的失效,甚至引发炮弹在内弹道的膛炸。研究加速度测试超高过载理论,设计动态测试系统,获取炮弹在内弹道所受加速度测试数据为火炮以及弹药的设计提供宝贵的参考依据。论述内弹道相关加速度测试技术国内外发展现状,以及三轴高冲击加速度的测试,进而介绍加速度测试系统非线性数据建模理论。对内弹道测试理论分析,并对内弹道发射的过程和发射环境进行研究。在动态存储测试技术的理论基础上,研究火炮内弹道抗高过载的弹体三轴加速度测试方法。基于测试方法的研究,分析炮弹在内弹道运动时加速度信号的特征,论述测试系统的难点技术和设计指标,据此提出系统总体设计方案。硬件电路的设计包含对信号进行电压转换、适调放大、滤波以及差分隔离处理。实现内弹道炮弹加速度信号的动态数据测量,最终成功捕获型炮弹三轴加速度的信号。针对提取信号的特征,对获取的加速度进行频谱分析;通过简单的数字低通滤波处理,滤除高频噪声;为获取精确的信号并进行数值分析,需要对后期的数据进行时间序列的模型的建模。通过状态空间的转化建立新息模型,据此进行卡尔曼状态的最佳估计。将状态变量还原成初始的加速度信号,初始信号与经过卡尔曼估计器还原的信号进行比对,得出被测信号中确实存在白噪声,并将其成功滤除。
严露华[7]（2014）在《协同网络下微惯性导航系统误差补偿技术研究》文中认为由于MEMS惯性导航系统精度低,误差易积累,不能长时间导航,限制了它的应用范围。而协同导航网络具有导航资源共享的优势,所以,在协同网络下,通过网络平台间的导航资源共享,对低精度导航系统的导航误差进行补偿,获得比低精度导航平台独自导航更优的性能,从而实现优势资源互补,既节约了导航成本,提高了精度,又延长了导航时间。当前,依托协同导航网络技术来提高低成本导航精度越来越受重视,成为一个当前导航系统发展的重要方向,因此如何提高协同网络下微惯性导航系统的导航精度成为了当前研究的一个热点问题。本文简要介绍了 MEMS微惯性导航系统和协同导航网络等相关理论的研究现状,并对微惯性器件误差补偿现状及捷联惯导导航原理做了简单的介绍。在此项工作的基础上,进行了四元素导航解算算法的仿真;针对MEMS惯性测量单元易受温度变化影响,存在安装误差、标度因数、零偏等影响其精度,建立了合适的数学模型,采用了加速度计的六位置法和陀螺仪的速率标定试验,接着在其工作温度范围内设计了全温标定试验,从试验结果来分析,这些标定方法是非常成熟的,可以应用到实际工作中。针对MEMS惯性器件的随机漂移是微惯导系统的最主要误差之一的问题,先使用Allan方差对MEMS惯性器件的各项误差源进行辨识,并利用小波对数据提取趋势项,在此基础上分析、构造了时间序列模型,最后设计Kalman滤波器对随机漂移滤波处理。最后,分析了实际使用环境下MEMS器件的误差方程,并通过静态下的数据解算,得出了短时间内,器件的主要误差是呈线性的。利用这个结论,提出了一种方法对MEMS器件进行了补偿,并同时采用线性分段建模拟合的方法对导航误差进行补偿。在此基础上,进行了装备了高低精度导航系统的跑车实验,以低精度的航向误差角为例,进行了线性分段建模的方法来补偿。通过大量实验结果证明:本文所实现的微惯性导航系统误差补偿方法是有效的,在提高协同网络下的导航精度方面,有较好的实际应用价值。
石锡尧[8]（2019）在《列控车载设备故障间隔时间统计分布建模及预测方法研究》文中进行了进一步梳理“八纵八横”高速铁路网的提出使我国进入了高速铁路建设蓬勃发展的大时代,高效性、安全性和平稳性使得高速列车逐渐成为人们出行的首选,如何使高速列车的运行更加安全高效也逐渐成为铁路领域研究的重点。目前,铁路领域的故障预测研究主要集中在地面设备,但高速列车是客运的主体,一旦发生故障将导致不可估量的损失。故障间隔时间可以反映系统或装备故障的内在演化规律,因此,本文以车载设备微小故障间隔时间作为主要研究对象,对其进行统计分布建模及可靠性分析,并建立组合预测模型对其进行预测。本文的主要研究内容如下所示:（1）通过查阅大量文献资料,详细总结了故障预测技术和故障间隔时间的研究现状,并介绍了车载设备的结构和功能。基于动车设备质量分析工区交接班记录表和ATP车载设备配件更换历史记录表,将车载设备故障划分为六大类共16种故障类型。本文的数据来源为某型号车载设备ATPCU-LOG文件中记录的故障信息,对故障数据进行预处理,并利用分词技术和Apriori关联规则数据挖掘算法得到故障规则库,为后续研究奠定基础。（2）根据故障规则库,从历史故障数据中提取出车载设备微小故障间隔时间样本序列,首先对其进行统计分布分析,然后假设样本序列服从两参数Weibull分布或指数分布,分别利用最小二乘法和极大似然法求解模型参数,最后基于灰色关联分析法得到最优统计分布模型,从而建立基本可靠性模型,并根据最优分布模型对车载设备进行基本可靠性分析,求得车载设备的平均微小故障间隔时间、微小故障率函数和基本可靠度函数。（3）针对样本序列的非线性问题,建立基于时序分解的故障间隔时间组合预测模型对其进行预测。首先利用STL算法对样本序列进行时序分解,分解成周期项、趋势项和剩余项,然后对分解后的各项数据分别用回声状态网络、BP神经网络和支持向量机预测模型进行预测,最后分四种组合模型对各项预测结果相加得到最终预测结果,并与三种单一预测模型相比较,发现组合预测模型比单一预测模型的预测效果更好,最优组合模型为ESN+SVM+SVM,预测精度可达96.49%。综上所述,本文以车载设备系统级和部件级微小故障间隔时间作为主要研究对象,对其建立最优统计分布模型,并对车载设备进行可靠性分析。建立基于时序分解的组合预测模型预测微小故障间隔时间,仿真验证结果表明其预测效果比单一预测模型更好,预测结果可以使列车司机和现场维修人员能够提前预知故障情况并做出应对措施。图60幅,表12个,参考文献70篇。
陈昊[9]（2005）在《非经典计量经济学在负荷预测中的应用研究》文中提出电力负荷预测对电力系统的经济、安全运行有着重要的意义。随着电力行业逐渐走向市场,人们对负荷预测的精度越来越关注。负荷预测领域涌现出了一大批很有效的预测模型,但同时也存在着诸如实际应用中不能满足经典模型的前提假设,模型参数物理意义不明确等一些问题。本文使用了非经典计量经济学的一些思路方法,试图为建立具有更实际的假设前提和更强的解释能力的负荷预测模型做一些探索。本文主要工作如下:1.分析了负荷预测研究的现状和存在的问题。2.对非经典计量经济学中的条件异方差模型和协整理论作了较为完整的综述。3.为用电量,GDP两变量系统建立了动态经济学模型,并运用协整理论研究了季度用电量与季度GDP之间的协整关系。4.为用电量,GDP两变量系统建立了向量误差纠正模型,并分析了模型长期均衡,短期波动的误差纠正机制。5.用负荷分解的方法建立了日用电量序列的时间序列模型,分析了日用电量序列的波动集群效应,建立了广义条件异方差模型。6.利用ARCH族模型的扩展形式,对电力负荷时间序列的二阶矩进行了多角度（二阶矩对一阶矩的影响,逆杠杆效应,长期短期波动联合建模）的实证研究。7.研究了不同时间尺度下的用电量时间序列波动集群效应,并作了条件异方差效应的强弱程度比较。
张建[10]（2010）在《时间序列分析在大跨度桥梁施工监测中的应用》文中认为桥梁施工监控作为桥梁施工技术的重要组成部分,它以设计成桥状态为实现目标,在整个施工过程中,通过实时监测桥梁结构的实际状态,获得桥梁结构实际状态与理想状态之间的差异,运用现代控制理论,对误差进行识别、调整、预测,使桥梁施工状态最大限度地接近理想状态,从而保证桥梁结构在施工过程中的安全。本文以小榄水道特大桥155米混凝土连续刚构桥为工程背景,结合悬臂施工过程中主梁变形和应力实测数据,采用时间序列分析方法进行了建模分析,并与回归分析方法进行比较,探讨了时间序列分析方法在桥梁施工监控中的建模和预测,主要完成了以下工作:1)介绍桥梁施工监控的内容及意义,结合国内外施工监控技术的发展历程,阐述了施工监控中误差分析的几种分析方法。2)详尽介绍了时间序列这一数学分析方法的理论基础及建模过程,并与回归分析等方法进行了比较。3)采用桥梁结构有限元分析软件Midas/Civil,对广珠城际轨道小榄水道特大桥的施工过程进行了仿真分析,得出了主梁悬臂施工各阶段梁体位移及应力值,并与实测结果以及按照时间序列分析得到的预测值进行了对比分析,验证了时间序列分析方法在桥梁施工监测中的可行性和实用性。4)运用时间序列分析方法对小榄水道特大桥施工监控过程中标高及应力数据进行分析,得出了较准确的时序模型,可预测后续施工阶段的变形和应力值,同时与回归分析的结果进行比较。结果表明时序分析在桥梁悬臂施工中预测挠度和应力具有较好的可靠性和较高的精度。
二、ARMA MICRO空用计算机（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、ARMA MICRO空用计算机（论文提纲范文）
（2）铁路轨道不平顺数据挖掘及其时间序列趋势预测研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 论文研究背景及现状 |
| 1.1.1 选题背景及研究意义 |
| 1.1.2 国内外研究现状 |
| 1.2 时间序列及其预测模型研究综述 |
| 1.2.1 概念及研究方法 |
| 1.2.2 国内外研究现状 |
| 1.3 时间序列数据分析研究方法与流程 |
| 1.4 论文主要研究工作 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文主要研究成果 |
| 1.5 论文框架结构 |
| 1.5.1 论文章节结构 |
| 1.5.2 论文技术路线 |
| 2 轨道不平顺时间序列数据预处理研究 |
| 2.1 轨道不平顺数据及分类 |
| 2.2 轨道不平顺数据特点 |
| 2.2.1 非等时距性 |
| 2.2.2 周期性 |
| 2.2.3 数据样本规模差异性 |
| 2.2.4 正负相间性 |
| 2.2.5 数据里程偏移 |
| 2.3 数据分布特征 |
| 2.4 数据质量问题 |
| 2.4.1 数据等时距变换 |
| 2.4.2 异常数据识别及处理 |
| 2.4.3 偏移数据校正 |
| 2.4.4 缺失与重复数据的检查、识别与处理 |
| 2.5 轨道不平顺时间序列数据表示与提取 |
| 2.5.1 时间序列表示 |
| 2.5.2 时间序列数据选取 |
| 2.6 轨道不平顺时间序列小波分解与重构 |
| 2.6.1 一维小波多尺度分解-重构 |
| 2.6.2 实例研究及结果分析 |
| 2.7 本章小结 |
| 3 轨道不平顺数据统计分析及数据挖掘研究 |
| 3.1 轨道不平顺多元时间序列数据特征 |
| 3.1.1 轨道不平顺多元时间序列数据 |
| 3.1.2 高频序列与低频序列数据 |
| 3.1.3 区段数据变化模式 |
| 3.1.4 数据分布特征 |
| 3.2 轨道不平顺标准差时间序列研究 |
| 3.3 数据挖掘概念及算法 |
| 3.3.1 数据挖掘概念与研究方法 |
| 3.3.2 主要的数据挖掘方法与算法 |
| 3.3.3 数据挖掘相似性度量 |
| 3.3.4 时态数据及时态数据挖掘 |
| 3.3.5 聚类分析 |
| 3.4 轨道不平顺数据挖掘 |
| 3.4.1 基于原始数据聚类 |
| 3.4.2 基于标准差数据聚类 |
| 3.4.3 基于标准差小波分解近似序列数据聚类 |
| 3.4.4 基于标准差近似序列趋势特征聚类 |
| 3.4.5 聚类结果比较 |
| 3.4.6 聚类模式挖掘 |
| 3.5 本章小结 |
| 4 基于统计分析理论的时间序列预测模型 |
| 4.1 时间序列经验预测方法 |
| 4.1.1 移动平均法 |
| 4.1.2 指数平滑法 |
| 4.1.3 差分指数平滑法 |
| 4.1.4 自适应滤波法 |
| 4.1.5 趋势外推预测方法 |
| 4.2 时间序列线性预测模型 |
| 4.2.1 平稳时间序列与非平稳时间序列 |
| 4.2.2 自回归模型 |
| 4.2.3 滑动平均模型 |
| 4.2.4 自回归滑动平均模型 |
| 4.2.5 差分自回归滑动平均模型 |
| 4.3 时间序列灰色预测模型 |
| 4.3.1 灰色系统理论 |
| 4.3.2 灰色模型 |
| 4.3.3 GM(1,1)模型改进方法 |
| 4.4 基于非等时距短期历史趋势的时间序列分段线性递推模型 |
| 4.4.1 建模思想 |
| 4.4.2 PLRMSHT模型分析 |
| 4.4.3 PLRMSHT模型残差修正 |
| 4.4.4 PLRMSHT实例分析 |
| 4.5 本章小结 |
| 5 基于小波分解-重构的时间序列预测模型 |
| 5.1 建模思想 |
| 5.2 基于小波分解-重构的分段线性-ARMA递推模型 |
| 5.2.1 传统ARIMA模型轨道不平顺预测 |
| 5.2.2 改进模型 |
| 5.3 基于小波分解-重构的分段灰色-ARMA递推模型 |
| 5.3.1 传统GM(1,1)模型轨道不平顺预测 |
| 5.3.2 改进模型 |
| 5.4 基于小波分解-重构的分段神经网络-ARMA递推模型 |
| 5.4.1 人工神经网络原理 |
| 5.4.2 BP神经网络轨道不平顺状态预测 |
| 5.4.3 改进模型 |
| 5.5 模型比较 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 今后工作展望 |
| 参考文献 |
| 作者简历及在读期间论文发表情况 |
| 学位论文数据集 |
（3）MSINS/GPS组合导航系统及其数据融合技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和课题意义 |
| 1.2 国内外研究和发展概况 |
| 1.2.1 微小型惯性仪表及系统发展概况 |
| 1.2.2 卫星导航系统发展概况 |
| 1.2.3 SINS/GPS 组合系统发展概况 |
| 1.2.4 组合导航系统数据融合技术研究现状 |
| 1.3 全文的组织安排 |
| 第2章 MIMU 性能测试及数据预处理 |
| 2.1 引言 |
| 2.2 MIMU 的构成与装配 |
| 2.2.1 MIMU 的组成 |
| 2.2.2 小型光纤陀螺仪 |
| 2.2.3 小型加速度计 |
| 2.3 MIMU 的整体标定 |
| 2.3.1 惯性器件的误差模型 |
| 2.3.2 MIMU 整体误差系数的标定方法 |
| 2.4 MIMU 标定系统的设计 |
| 2.4.1 标定系统硬件设计 |
| 2.4.2 标定系统软件设计 |
| 2.5 小型光纤陀螺仪随机误差模型 |
| 2.5.1 陀螺仪随机漂移数据的采集 |
| 2.5.2 陀螺仪随机漂移数据预处理 |
| 2.5.3 陀螺仪随机漂移模型的结构辨识 |
| 2.6 GPS 接收机输出数据的预处理 |
| 2.6.1 SuperStar II GPS-OEM 板报文的结构 |
| 2.6.2 与组合导航系统相关的GPS 报文 |
| 2.6.3 GPS 最佳星座的选择 |
| 2.6.4 GPS 导航卫星位置和速度的计算 |
| 2.7 本章小结 |
| 第3章 分布式MSINS/GPS 组合导航计算机设计 |
| 3.1 引言 |
| 3.2 系统总体结构 |
| 3.3 MIMU 数据采集子系统 |
| 3.3.1 系统方案总体设计 |
| 3.3.2 浮点放大器的设计 |
| 3.3.3 外围电路设计与调整 |
| 3.3.4 系统的高速信息交换方式 |
| 3.3.5 数据采集的时序控制 |
| 3.4 GPS 数据采集子系统 |
| 3.4.1 GPS 数据采集子系统组成结构 |
| 3.4.2 GPS-OEM 板接口电路 |
| 3.4.3 信息交换电路 |
| 3.4.4 温度检测电路 |
| 3.5 导航数据处理子系统 |
| 3.5.1 导航数据处理子系统组成 |
| 3.5.2 控制逻辑与总线驱动 |
| 3.5.3 用CPLD 实现DSP 与外设芯片的速度匹配 |
| 3.6 数据通信子系统 |
| 3.7 电源子系统 |
| 3.8 实时操作系统 μC/OS-II 的移植应用 |
| 3.8.1 μC/OS-Ⅱ的主要特点及其工作原理 |
| 3.8.2 μC/OS-Ⅱ的移植对处理器的要求 |
| 3.8.3 μC/OS-Ⅱ的移植方法 |
| 3.9 本章小结 |
| 第4章 MSINS/GPS 导航系统组合技术与数据同步 |
| 4.1 引言 |
| 4.2 MSINS 导航原理与导航算法 |
| 4.2.1 姿态矩阵的计算 |
| 4.2.2 等效转动矢量法 |
| 4.2.3 导航参数更新 |
| 4.3 MSINS 系统误差模型 |
| 4.3.1 平台误差角方程 |
| 4.3.2 速度误差方程 |
| 4.3.3 位置误差方程 |
| 4.3.4 惯性器件的误差模型 |
| 4.4 惯导系统状态方程及其离散化 |
| 4.4.1 捷联惯导系统的状态方程 |
| 4.4.2 系统状态方程的离散化 |
| 4.5 组合导航系统中的多传感器数据融合 |
| 4.5.1 多传感器信息融合的定义 |
| 4.5.2 多传感器信息融合的关键技术 |
| 4.5.3 导航系统中采用数据融合技术的优点 |
| 4.5.4 组合导航系统信息融合的结构和方法 |
| 4.6 MSINS/GPS 组合技术 |
| 4.6.1 MSINS/GPS 组合模式 |
| 4.6.2 MSINS/GPS 的位置/速度组合 |
| 4.6.3 MSINS/GPS 的伪距/伪距率组合 |
| 4.7 MSINS/GPS 组合校正方式 |
| 4.7.1 输出校正与反馈校正 |
| 4.7.2 MSINS/GPS 组合的混合校正 |
| 4.8 MSINS/GPS 组合系统数据同步方法 |
| 4.8.1 数据同步的硬件设计支持 |
| 4.8.2 数据同步的软件实现方法 |
| 4.9 本章小结 |
| 第5章 联邦强跟踪卡尔曼滤波器在MSINS/GPS 浅组合中的应用研究 |
| 5.1 引言 |
| 5.2 基于KALMAN 滤波的数据融合算法 |
| 5.3 时变噪声统计特性估计算法 |
| 5.3.1 Sage-Husa 自适应滤波器 |
| 5.3.2 强跟踪Kalman 滤波器 |
| 5.4 改进的强跟踪KALMAN 滤波器 |
| 5.4.1 误差方差阵估计方法的改进 |
| 5.4.2 时变渐消因子估计方法的改进 |
| 5.4.3 时变噪声估值器的应用 |
| 5.4.4 U-D 分解方法的应用 |
| 5.4.5 改进的强跟踪滤波器具体算法实现步骤 |
| 5.5 联邦强跟踪卡尔曼滤波器的设计 |
| 5.5.1 位置子滤波器 |
| 5.5.2 速度子滤波器 |
| 5.5.3 主滤波器及信息分配 |
| 5.5.4 系统的三层容错设计 |
| 5.6 滤波算法在MSINS/GPS 浅组合中的应用仿真 |
| 5.6.1 仿真轨迹及仿真条件的设置 |
| 5.6.2 仿真结果 |
| 5.7 本章小结 |
| 第6章 分散区间卡尔曼滤波器在MSINS/GPS 深组合中的应用研究 |
| 6.1 引言 |
| 6.2 区间数学运算与区间KALMAN 滤波算法 |
| 6.2.1 区间数学运算 |
| 6.2.2 区间Kalman 滤波算法 |
| 6.3 多传感器分散KALMAN 滤波算法 |
| 6.3.1 问题的阐述 |
| 6.3.2 标量加权最优信息融合估计准则 |
| 6.3.3 多传感器最优信息融合Kalman 滤波器 |
| 6.3.4 任两个传感器子系统之间的滤波误差互协方差阵计算 |
| 6.4 分散自适应区间卡尔曼滤波算法 |
| 6.4.1 简化的区间Kalman 滤波算法 |
| 6.4.2 标量加权信息融合滤波器及其两层融合结构 |
| 6.4.3 系统噪声的模糊自适应调整 |
| 6.4.4 基于时变马尔科夫模型的状态估计 |
| 6.4.5 分散自适应区间卡尔曼滤波器的设计步骤 |
| 6.5 分散区间卡尔曼滤波算法在MSINS/GPS 深组合中的仿真研究 |
| 6.5.1 仿真条件 |
| 6.5.2 仿真结果分析 |
| 6.6 本章小结 |
| 第7章 MSINS/GPS 组合导航系统实验研究 |
| 7.1 引言 |
| 7.2 实验设备及实验系统硬件组成 |
| 7.2.1 主要实验设备 |
| 7.2.2 实验系统硬件组成 |
| 7.3 陀螺仪与加速度计的测试实验 |
| 7.3.1 陀螺仪标度因数测试 |
| 7.3.2 标度因数重复性 |
| 7.3.3 零偏及其重复性和稳定性 |
| 7.3.4 加速度计参数测试与分析 |
| 7.4 MIMU 的整体标定实验 |
| 7.4.1 速率及位置实验步骤 |
| 7.4.2 误差系数的标定结果 |
| 7.4.3 误差补偿前后测试结果与比较 |
| 7.5 实验系统硬件调试 |
| 7.5.1 导航数据处理子系统的调试 |
| 7.5.2 数据采集子系统的逻辑功能设计与调试 |
| 7.6 实验系统软件设计与调试 |
| 7.6.1 监控软件设计与调试 |
| 7.6.2 GPS 数据处理软件设计与调试 |
| 7.6.3 导航数据处理软件设计与调试 |
| 7.7 MSINS/GPS 组合导航系统的实验结果 |
| 7.7.1 MSINS 自主导航静置实验 |
| 7.7.2 MSINS/GPS 组合导航静置实验 |
| 7.7.3 实验结果分析 |
| 7.8 本章小结 |
| 总结 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
（4）基于MEMS的捷联航姿系统初始对准技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 惯性导航技术简介 |
| 1.2 硅微惯性技术 |
| 1.3 初始对准技术 |
| 1.4 粒子滤波技术 |
| 1.4.1 粒子滤波的特点 |
| 1.4.2 粒子滤波的应用 |
| 1.5 本文的主要研究内容 |
| 第2章 捷联惯性导航系统 |
| 2.1 惯导系统基础知识 |
| 2.1.1 常用坐标系 |
| 2.1.2 参数和变量的定义 |
| 2.2 捷联式惯性导航系统 |
| 2.2.1 捷联惯导系统原理 |
| 2.2.2 捷联惯导算法概述 |
| 2.3 捷联矩阵及其更新 |
| 2.3.1 坐标系变换 |
| 2.3.2 捷联矩阵的更新 |
| 2.4 捷联惯性系统的误差源 |
| 2.5 本章小结 |
| 第3章 硅微陀螺随机误差的时间序列分析建模 |
| 3.1 引言 |
| 3.2 逐步回归分析 |
| 3.2.1 回归分析 |
| 3.2.2 回归效果的检验 |
| 3.2.3 逐步回归算法 |
| 3.2.4 随机序列的检验与处理 |
| 3.3 ARMA 模型 |
| 3.3.1 陀螺仪数据的建模 |
| 3.3.2 陀螺实测数据建模 |
| 3.4 本章小结 |
| 第4章 捷联惯性导航系统的初始对准 |
| 4.1 引言 |
| 4.2 惯性导航系统的基本方程 |
| 4.3 方向余弦矩阵的微分方程 |
| 4.4 杠杆臂效应及其校正 |
| 4.5 电子罗盘测量原理 |
| 4.6 捷联式惯性导航系统初始对准原理 |
| 4.6.1 粗对准原理 |
| 4.6.2 精对准原理 |
| 4.7 微惯性航姿系统的初始对准 |
| 4.7.1 粗对准 |
| 4.7.2 系统误差方程 |
| 4.8 本章小结 |
| 第5章 粒子滤波及其改进算法 |
| 5.1 概述 |
| 5.2 贝叶斯定理 |
| 5.2.1 条件概率 |
| 5.2.2 贝叶斯假设 |
| 5.2.3 贝叶斯定理 |
| 5.3 粒子滤波原理 |
| 5.3.1 蒙特卡罗原理 |
| 5.3.2 序贯重要性采样（SIS 采样） |
| 5.3.3 退化问题 |
| 5.3.4 消除退化现象的方法 |
| 5.4 UPF 原理及其仿真 |
| 5.4.1 UPF 算法 |
| 5.4.2 UPF 仿真 |
| 5.5 粒子滤波在捷联航姿系统初始对准中的应用 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）MEMS惯性器件参数辨识及误差补偿技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 微机械陀螺仪加速计结构发展与工作原理 |
| 1.2.1 硅 MEMS 陀螺仪结构发展现状 |
| 1.2.2 硅 MEMS 角加速度计发展现状 |
| 1.3 基于 MEMS 惯性测量单元的发展现状 |
| 1.4 论文主要研究内容和章节安排 |
| 第2章 低成本 MEMS 惯性器件的小波去噪 |
| 2.1 前置滤波器的选择 |
| 2.2 小波变换的理论分析 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.2.3 小波的多分辨分析 |
| 2.3 IMU 前置滤波器的设计 |
| 2.3.1 小波基函数的选择 |
| 2.3.2 小波阈值的选择 |
| 2.4 去噪效果分析 |
| 2.5 本章小结 |
| 第3章 低成本 MEMS 惯性器件误差模型的建立 |
| 3.1 低成本 MEMS 惯性器件的系统误差分析 |
| 3.1.1 刻度因数误差 |
| 3.1.2 零偏误差 |
| 3.1.3 安装误差 |
| 3.1.4 温度误差 |
| 3.2 标定设备和条件 |
| 3.2.1 920ET 带温箱单轴速率位置转台 |
| 3.2.2 自制低成本 MEMS 惯性测量单元 |
| 3.3 测试方法 |
| 3.3.1 加速计的静态测试 |
| 3.3.2 陀螺仪的动态速率测试 |
| 3.4 惯性器件误差模型的建立 |
| 3.4.1 加速计误差模型的建立及解算 |
| 3.4.2 陀螺仪误差模型的建立及解算 |
| 3.5 惯性器件误差补偿 |
| 3.5.1 加速计误差补偿模型 |
| 3.5.2 陀螺仪误差补偿模型 |
| 3.5.3 模型系数的解算及补偿结果分析 |
| 3.6 对陀螺仪在全温下补偿结果分析 |
| 3.7 本章小结 |
| 第4章 kalman 滤波对惯性器件误差系数的滤波 |
| 4.1 kalman 滤波原理分析 |
| 4.1.1 kalman 滤波原理 |
| 4.1.2 kalman 滤波基本方程 |
| 4.2 确定性误差的 kalman 滤波器设计 |
| 4.3 Allan variance 对惯性器件的表征和辨识 |
| 4.3.1 Allan variance 分析原理 |
| 4.3.2 噪声源分析 |
| 4.3.3 MEMS 惯性器件性能的评价 |
| 4.3.4 计算结果分析 |
| 4.4 kalman 对确定性误差的滤波 |
| 4.5 误差补偿 |
| 4.5.1 低成本 MEMS 常温下补偿结果 |
| 4.5.2 惯性器件的温度补偿 |
| 4.5.3 对确定性误差补偿的结果 |
| 4.6 本章小结 |
| 第5章 低成本 MEMS 惯性器件的随机漂移滤波 |
| 5.1 时间序列分析理论 |
| 5.2 时间序列的建模方法 |
| 5.2.1 建模步骤 |
| 5.2.2 模型参数识别 |
| 5.2.3 模型的选取 |
| 5.3 随机数据的检验方法 |
| 5.3.1 平稳性检验 |
| 5.3.2 正态性检验 |
| 5.3.3 零均值检验 |
| 5.4 数据预处理过程 |
| 5.4.1 去除奇异点 |
| 5.4.2 零均值处理 |
| 5.4.3 去除趋势项 |
| 5.4.4 标准化处理及一阶差分处理 |
| 5.5 kalman 滤波对 IMU 静态随机漂移的处理 |
| 5.5.1 模型参数估计与方程建立 |
| 5.5.2 滤波结果分析 |
| 5.6 扩展 kalman 滤波对动态速率下漂移的滤波 |
| 5.7 自适应 kalman 滤波 |
| 5.8 低成本 MEMS 惯性器件的补偿结果 |
| 5.9 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（6）加速度测试电路设计与建模分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的背景与意义 |
| 1.2 国内外研究状况及趋势 |
| 1.2.1 内弹道信号测试技术 |
| 1.2.2 高g值加速度测量 |
| 1.2.3 ARMA模型的发展概况 |
| 1.3 本文主要研究内容 |
| 2 弹道测试原理及总体设计方案 |
| 2.1 全弹道发射过程描述 |
| 2.1.1 内弹道测试环境分析 |
| 2.1.2 加速度测试原理 |
| 2.2 内弹道测试压力分析 |
| 2.3 加速度测试系统的设计要求 |
| 2.3.1 微型化设计 |
| 2.3.2 低功耗设计 |
| 2.3.3 抗干扰电路设计 |
| 2.4 A/D转换电路设计 |
| 2.5 触发模块设计 |
| 2.5.1 触发采集设计 |
| 2.5.2 触发电路设计 |
| 2.5.3 负延时存储技术 |
| 2.6 本章小结 |
| 3 加速度测试系统硬件电路设计 |
| 3.1 三轴加速度传感器 |
| 3.1.1 压电式传感器的原理 |
| 3.1.2 加速度传感器的选型 |
| 3.2 电荷放大器设计 |
| 3.3 阻抗匹配性 |
| 3.4 适调放大电路 |
| 3.5 有源滤波电路 |
| 3.6 ADC驱动电路 |
| 3.7 本章小结 |
| 4 离散数据的建模理论 |
| 4.1 时间序列模型 |
| 4.2 平稳时间序列模型 |
| 4.2.1 AR（p）自回归模型 |
| 4.2.2 MA(q)滑动平均模型 |
| 4.2.3 ARMA(p,q)自回归滑动平均模型 |
| 4.3 过程的系统辨识 |
| 4.3.1 自相关函数 |
| 4.3.2 偏相关函数 |
| 4.4 ARMA（p,q）模型的参数估计 |
| 4.5 ARMA转化状态空间 |
| 4.6 ARMA新息模型转化 |
| 4.7 本章小结 |
| 5 加速度测试系统的数据建模与分析 |
| 5.1 数据模型的构建 |
| 5.2 测试数据的获取 |
| 5.2.1 靶场试验前的准备 |
| 5.2.2 靶场实测数据分析 |
| 5.3 数据相关性检验 |
| 5.4 数据的预处理 |
| 5.5 ARMA模型的选择 |
| 5.6 定阶和参数估计 |
| 5.7 系统的状态估计 |
| 5.8 最优状态估计 |
| 5.8.1 卡尔曼滤波 |
| 5.8.2 状态还原结果 |
| 5.9 模型的检验 |
| 5.10 基于VC的软件界面设计 |
| 5.11 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文的主要创新点及不足 |
| 6.3 成果应用展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（7）协同网络下微惯性导航系统误差补偿技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 微惯性导航系统相关技术发展现状 |
| 1.2.1 惯性导航技术发展现状 |
| 1.2.2 微机械电子技术的发展现状 |
| 1.2.3 微惯性器件误差补偿现状 |
| 1.3 协同导航的发展现状 |
| 1.4 本文主要内容及章节安排 |
| 第2章 微惯性导航基本原理 |
| 2.1 MEMS微惯导基本概念 |
| 2.1.1 常用坐标系的介绍及转换关系 |
| 2.1.2 导航力学编排方程 |
| 2.1.3 MEMS微惯导系统原理 |
| 2.2 MEMS器件性能指标 |
| 2.3 导航解算算法的仿真 |
| 2.4 本章小结 |
| 第3章 微惯性测量单元安装误差补偿 |
| 3.1 MEMS惯性器件的系统误差分析 |
| 3.2 标定设备和条件 |
| 3.3 微惯性测量单元(MIMU)安装误差模型 |
| 3.3.1 加速度计安装误差模型 |
| 3.3.2 陀螺仪安装误差模型 |
| 3.4 微惯性测量单元(MIMU)安装误差的标定 |
| 3.4.1 加速度计六位置标定试验 |
| 3.4.2 加速计误差模型的解算 |
| 3.4.3 陀螺仪速率标定试验 |
| 3.4.4 陀螺仪误差模型的解算 |
| 3.4.5 微惯性测量单元的全温标定 |
| 3.5 误差模型标定试验结果 |
| 3.5.1 加速度计六位置标定结果 |
| 3.5.2 陀螺仪速率标定结果 |
| 3.5.3 全温标定结果 |
| 3.6 本章小结 |
| 第4章 微惯性器件随机漂移的误差补偿 |
| 4.1 Allan方差对惯性器件的误差辨识 |
| 4.1.1 Allan方差分析原理 |
| 4.1.2 随机噪声的Allan方差 |
| 4.1.3 Allan方差试验及结果分析 |
| 4.2 小波阀值降噪法 |
| 4.2.1 小波函数的定义 |
| 4.2.2 离散小波分解算法 |
| 4.2.3 离散小波重构算法 |
| 4.2.4 小波阀值降噪基本原理 |
| 4.3 阀值降噪法提取趋势项 |
| 4.3.1 陀螺的趋势项提取 |
| 4.3.2 加速度计的趋势项提取 |
| 4.4 微惯性器件的漂移数据预处理 |
| 4.4.1 漂移数据零均值处理 |
| 4.4.2 漂移数据标准化处理 |
| 4.5 微惯性器件漂移的数据检验 |
| 4.5.1 平稳性检验 |
| 4.5.2 纯随机性检验 |
| 4.5.3 正态性检验 |
| 4.5.4 检验结果 |
| 4.6 随机漂移模型的建立 |
| 4.6.1 时间序列ARMA模型 |
| 4.6.2 ARMA模型定阶 |
| 4.6.3 ARMA模型定阶 |
| 4.7 Kalman滤波器的设计和实现 |
| 4.7.1 Kalman滤波的基本方法和步骤 |
| 4.7.2 Kalman滤波器的实现 |
| 4.7.3 Kalman滤波结果 |
| 4.8 本章小结 |
| 第5章 协同网络下微惯导系统误差补偿 |
| 5.1 协同导航的基本原理 |
| 5.1.1 协同导航网络基础知识 |
| 5.1.2 相对导航系统基本原理 |
| 5.2 协同网络下的误差补偿方法 |
| 5.2.1 动态误差模型的分析 |
| 5.2.2 器件误差的实时修正 |
| 5.3 误差补偿的验证 |
| 5.3.1 航向角修正算法的验证 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表论文和取得的科研成果 |
| 致谢 |
（8）列控车载设备故障间隔时间统计分布建模及预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 概述 |
| 1.2.2 故障预测技术研究现状 |
| 1.2.3 故障间隔时间研究现状 |
| 1.3 列控车载设备故障预测的关键问题 |
| 1.4 论文主要研究内容及组织架构 |
| 2 列控车载设备故障规则库的建立 |
| 2.1 车载设备及其故障概述 |
| 2.1.1 车载设备组成结构 |
| 2.1.2 车载设备故障分类 |
| 2.2 故障数据简介及数据预处理 |
| 2.3 故障规则库的建立 |
| 2.4 本章小结 |
| 3 列控车载设备微小故障间隔时间统计分布建模分析 |
| 3.1 统计分布模型及其可用性检验 |
| 3.1.1 常见的统计分布模型 |
| 3.1.2 模型的可用性检验 |
| 3.2 基于灰色关联分析的最优分布模型选择 |
| 3.3 可靠性模型概述及建立流程 |
| 3.4 基于系统级微小故障间隔时间可靠性建模及分析 |
| 3.4.1 故障样本的提取及统计分布特征分析 |
| 3.4.2 最优统计分布模型的建立 |
| 3.4.3 车载设备基本可靠性分析 |
| 3.5 基于部件级微小故障间隔时间可靠性建模及分析 |
| 3.6 本章小结 |
| 4 基于时序分解的故障间隔时间组合预测方法 |
| 4.1 基于STL算法的故障间隔时间时序分解 |
| 4.2 基于DE算法改进的回声状态网络故障预测模型 |
| 4.2.1 ESN的基本原理 |
| 4.2.2 ESN预测模型的建立 |
| 4.2.3 仿真实例验证 |
| 4.3 基于参数优化的BP神经网络故障预测模型 |
| 4.3.1 BP神经网络基本原理 |
| 4.3.2 BP神经网络预测模型的建立 |
| 4.3.3 仿真实例验证 |
| 4.4 基于GA-PSO改进的支持向量机故障预测模型 |
| 4.4.1 SVM的基本原理 |
| 4.4.2 SVM预测模型的建立 |
| 4.4.3 仿真实例验证 |
| 4.5 基于时序分解的故障间隔时间组合预测模型 |
| 4.5.1 模型的建立 |
| 4.5.2 模型的检验 |
| 4.6 本章小结 |
| 5 基于时序分解的故障间隔时间预测仿真验证 |
| 5.1 基于STL算法的故障间隔时间时序分解 |
| 5.1.1 基于Hurst指数的时间序列可预测性检验 |
| 5.1.2 故障间隔时间样本序列时序分解 |
| 5.2 周期项数据预测 |
| 5.3 趋势项数据预测 |
| 5.3.1 BP神经网络预测 |
| 5.3.2 支持向量机预测 |
| 5.4 剩余项数据预测 |
| 5.4.1 BP神经网络预测 |
| 5.4.2 支持向量机预测 |
| 5.5 预测结果对比分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）非经典计量经济学在负荷预测中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 负荷预测的意义和作用 |
| 1.2 问题的提出 |
| 1.3 计量经济学概述 |
| 1.4 本文的研究思路和研究方法 |
| 1.5 本文的主要工作 |
| 第二章 负荷预测概述 |
| 2.1 负荷预测的概念 |
| 2.2 负荷预测的分类 |
| 2.3 负荷预测的影响因素 |
| 2.4 负荷预测常用方法 |
| 第三章 非经典计量经济学的若干理论 |
| 3.1 非经典计量经济学涉及的一些统计知识 |
| 3.1.1 随机过程的一些概念 |
| 3.1.2 平稳性 |
| 3.1.3 收敛性 |
| 3.1.4 布朗运动与泛函中心极限定理 |
| 3.1.5 单整与单位根过程 |
| 3.1.6 单位根检验 |
| 3.2 时间序列的波动模型 |
| 3.2.1 ARCH模型 |
| 3.2.1.1 ARCH模型的定义和基本特征 |
| 3.2.1.2 ARCH模型的估计和检验 |
| 3.2.1.3 ARCH 模型的一些局限 |
| 3.2.2 ARCH模型的重要扩展形式-----GARCH模型 |
| 3.2.2.1 GARCH (p, q)模型的基本形式 |
| 3.2.2.2 GARCH建模 |
| 3.2.3 ARCH模型的其他扩展形式 |
| 3.2.4 其他时间序列波动性模型简介 |
| 3.2.4.1 SV模型 |
| 3.2.4.2 波动性建模的其他方法 |
| 3.3 协整理论 |
| 3.3.1 伪回归问题 |
| 3.3.2 非结构化多方程模型与VAR |
| 3.3.3 协整模型的概念与误差纠正模型 |
| 3.3.4 协整检验 |
| 3.3.5 向量误差纠正模型 |
| 3.3.6 小结 |
| 第四章 季度用电量协整分析 |
| 4.1 非平稳时间序列简单回归的一些问题 |
| 4.2 负荷影响因素的筛选与分析 |
| 4.3 数据的季节性调整 |
| 4.4 协整系统分析 |
| 4.4.1 单整检验 |
| 4.4.2 VAR模型的建立 |
| 4.4.3 协整检验 |
| 4.4.4 约束VAR模型的建立 |
| 4.4.5 模型的结论分析 |
| 4.4.6 VECM模型的预测 |
| 4.4.7 一点拓展―――VEC模型和VAR模型多步预测比较 |
| 4.5 本章小结 |
| 第五章 负荷波动性研究 |
| 5.1 日用电量负荷分解建模 |
| 5.1.1 负荷的分解 |
| 5.1.2 趋势分量 |
| 5.1.3 季节分量 |
| 5.1.3.1 季节因子的确定 |
| 5.1.3.2 季节因子的月日转换 |
| 5.1.3.3 去除季节影响的用电量时间序列 |
| 5.1.4 不规则变动分量 |
| 5.1.4.1 平稳性检验 |
| 5.1.4.2 不规则分量的ARMA模型建模及相关检验 |
| 5.1.4.3 模型的预测 |
| 5.2 日用电量ARCH效应分析与建模 |
| 5.2.1 ARMA模型残差的ARCH效应检验 |
| 5.2.2 不规则分量的带ARCH项的ARMA模型建模 |
| 5.2.3 ARMA—ARCH模型的预测 |
| 5.3 日用电量时间序列波动性研究 |
| 5.3.1 二阶矩对一阶矩影响分析 |
| 5.3.2 波动的不对称性研究 |
| 5.3.3 日用电量序列长期波动与短期波动互动关系联合建模 |
| 5.3.4 ARCH族模型的实际预测能力比较 |
| 5.3.5 本节若干结论的总结 |
| 5.4 ARCH效应分频率对比分析 |
| 5.4.1 月负荷数据建摸和ARCH效应研究 |
| 5.4.2 周负荷数据建摸和ARCH效应研究 |
| 5.4.3 日周月数据ARCH效应对比及结论 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 本文的所做的工作和成果 |
| 余韵 |
| 大结 |
| 附录1 |
| 附录2 |
| 附录3 |
| 参考文献 |
| 模型名称索引 |
| 研究生期间发表论文 |
| 后记 |
| 江苏省优秀硕士学位论文推荐表 |
（10）时间序列分析在大跨度桥梁施工监测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 桥梁施工监控概述 |
| 1.1.1 桥梁施工监控的目的 |
| 1.1.2 桥梁施工监控的意义 |
| 1.1.3 桥梁施工监测的内容 |
| 1.2 国内外施工监控技术研究概况 |
| 1.3 桥梁施工监控中常用的分析方法 |
| 1.3.1 卡尔曼(Kalman)滤波法 |
| 1.3.2 灰色系统理论 |
| 1.3.3 回归分析 |
| 1.3.4 时间序列分析 |
| 1.4 数据处理和预测方法比较 |
| 1.5 本文的主要工作 |
| 第二章 桥梁施工监测数据的误差分析方法 |
| 2.1 回归分析 |
| 2.1.1 回归分析的基本原理 |
| 2.1.2 逐步回归的计算步骤 |
| 2.2 时间序列分析 |
| 2.2.1 时间序列分析概况 |
| 2.2.2 建立时间序列模型的基本思想 |
| 2.2.3 时间序列的基本模型 |
| 2.2.4 时间序列模型的基本概念及其适用性 |
| 2.2.5 随机时间序列模型的平稳性条件 |
| 2.2.6 随机时间序列模型的识别 |
| 2.2.7 随机时间序列模型的估计 |
| 2.2.8 模型的检验 |
| 2.3 本章小结 |
| 第三章 广珠城际轨道小榄水道连续刚构施工仿真分析 |
| 3.1 小榄水道特大桥工程概况 |
| 3.2 小榄水道特大桥仿真分析模型的建立 |
| 3.2.1 单元划分 |
| 3.2.2 边界条件 |
| 3.2.3 荷载处理 |
| 3.2.4 材料参数的选取 |
| 3.2.5 施工阶段的划分 |
| 3.3 小榄水道特大桥仿真分析结果 |
| 3.4 本章小结 |
| 第四章 桥梁施工过程中变形和应力的监测与预测 |
| 4.1 桥梁施工监控中挠度与应力监测及预测的意义 |
| 4.2 实测数据及其回归分析 |
| 4.2.1 实测数据 |
| 4.2.2 回归分析 |
| 4.3 时间序列分析工具 Eviews 简介 |
| 4.4 时间序列建模 |
| 4.4.1 数据预处理 |
| 4.4.2 模式识别 |
| 4.4.3 参数估计 |
| 4.4.4 模型定阶 |
| 4.4.5 残差正态性检验 |
| 4.4.6 预测 |
| 4.5 时间序列模型与回归分析模型比较 |
| 4.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
四、ARMA MICRO空用计算机（论文参考文献）
- [1]ARMA MICRO空用计算机[J]. E.Keonjian. 电子计算机参考资料, 1967(01)
- [2]铁路轨道不平顺数据挖掘及其时间序列趋势预测研究[D]. 贾朝龙. 北京交通大学, 2013(05)
- [3]MSINS/GPS组合导航系统及其数据融合技术研究[D]. 马云峰. 东南大学, 2006(04)
- [4]基于MEMS的捷联航姿系统初始对准技术研究[D]. 孙柏虹. 哈尔滨工程大学, 2010(05)
- [5]MEMS惯性器件参数辨识及误差补偿技术研究[D]. 乔会敏. 沈阳理工大学, 2013(09)
- [6]加速度测试电路设计与建模分析[D]. 刘海龙. 中北大学, 2016(08)
- [7]协同网络下微惯性导航系统误差补偿技术研究[D]. 严露华. 哈尔滨工程大学, 2014(03)
- [8]列控车载设备故障间隔时间统计分布建模及预测方法研究[D]. 石锡尧. 北京交通大学, 2019(01)
- [9]非经典计量经济学在负荷预测中的应用研究[D]. 陈昊. 东南大学, 2005(01)
- [10]时间序列分析在大跨度桥梁施工监测中的应用[D]. 张建. 华南理工大学, 2010(03)