导读:本文包含了加速度计模型论文开题报告文献综述及选题提纲参考文献，主要关键词:高可靠,可靠性,加速试验,光电加速度计
加速度计模型论文文献综述
黄铎佳,胡湘洪,张蕊,沈峥嵘,赵振峰[1]（2019）在《基于NL模型的光电加速度计加速试验方法研究》一文中研究指出加速度计是惯性导航系统的重要组成部分,民用飞机光电加速度计具有高可靠、长寿命的特点,对于新研产品,由于缺乏运营数据的支撑,为了验证光电加速度计的高可靠性指标,应在产品的失效机理不发生改变的前提下,提高试验应力来开展加速评价。从加速模型选择、加速应力确定和试验数据处理等方面论述了光电加速度计可靠性加速试验的设计方法,为高可靠长寿命产品的可靠性试验评价提供了一种思路。(本文来源于《电子产品可靠性与环境试验》期刊2019年04期）
廖方萍[2]（2019）在《加速度计监测高强度复杂运动能量消耗的模型构建与准确性评估》一文中研究指出目的:目前我国有关能量消耗的研究大部分围绕简单的中、低强度的周期性体力活动展开,鲜少涉及到高强度复杂的体力活动,且有关于神经网络模型对体力活动能量消耗的预测应用较少,本研究通过对不同佩戴部位的加速度计原始数据的处理,建立不同佩戴部位的线性回归模型和神经网络模型,并对相同、不同佩戴部位的两个模型进行横向的比较,以寻找出最优化的预测模型,从而丰富加速度计的测量领域,让其更好地为运动实践服务。方法:本次研究采用测量法,受试者在4个部位(优势和非优势手腕外侧、髋部右侧和右脚踝外侧)佩戴4个Actigraph GT3X加速度计(简称GT3X),在胸前佩戴1个Cosmed K4b~2气体代谢能耗分析仪(简称K4b~2),通过大屏幕播放的已剪辑好的高强度健身操视频,除去热机准备和热身时间,受试者进行时长为9分钟的高强度复杂运动(本研究选择健身操作为典型代表)。使用SPSS 22.0建立一般线性回归模型,通过SPSS Modeler18.0建立神经网络模型,并使用Bland-Altman方法和比较RMSE等指标对两个预测模型进行预测准确性检验。结果:(1)运动过程中身体形态学指标与能量消耗EE的相关性分析中,体重指标与EE的相关性最高,建模组r=0.505(p<0.01),验证组r=0.41(p<0.01);4个佩戴部位的加速度计VM值和HR与K4b~2能量消耗的EE、METs的相关性分析中,4个部位的VM值与EE、METs的相关性都很显着(p<0.01),其中优势手腕的相关性最为显着,HR与EE、METs的相关性最强,与EE的相关性为0.486(p<0.01),与METs的相关性为0.502(p<0.01)。(2)本研究构建的四个部位线性回归预测方程如下:非优势手腕EE=0.000014VM+0.135体重+0.004HR-1.071脚踝EE=0.000025VM+0.135体重+0.004HR-1.157腰部EE=0.000029VM+0.135体重+0.003HR-0.674优势手腕EE=0.000024VM+0.133体重+0.004HR+0.187非优势手腕调整后R~2=0.519,脚踝调整后R~2=0.521,腰部调整后R~2=0.518,优势手腕调整后R~2=0.522。(3)本研究构建出的四个部位的叁层神经网络预测模型初始学习率为0.05,动量常量设为0.5,误差率设为0.001,模型如下:非优势手腕13-9-1叁层神经网络模型(R~2=0.808)脚踝13-9-1叁层神经网络模型(R~2=0.796)腰部13-13-1叁层神经网络模型(R~2=0.771)优势手腕13-8-1叁层神经网络模型(R~2=0.795)(4)线性回归模型和神经网络模型实测值与预算值的一致性检验中,在B-A图中,不同模型不同部位的各散点都基本落在±1.96SD之间,非优势手腕、脚踝、腰部和优势手腕这4个部位的神经网络模型和线性回归模型均有良好的预测能力。(5)通过计算不同部位预测值的RMSE、MAPE和BIAS指数并进行横向比较,神经网络模型非优势手腕、优势手腕、脚踝和腰部这4个部位的RMSE和MAPE均低于线性回归模型,神经网络RMSE指数分别为:0.98、2.85、1.05和1.16,线性回归模型的RMSE指数分别为:1.65、4.7、1.64、1.7,神经网络模型的优势手腕和腰部的BIAS指数也明显低于线性回归模型,从整体误差上来看,神经网络模型的误差更小。结论:(1)本研究构建的四个部位的线性回归能量消耗方程具有较高拟合度,在预测运动能量消耗方面具有较高的准确度,可应用于大多高强度复杂运动能量消耗的监测。(2)本研究构建的四个部位的叁层神经模型具有很高的拟合度,准确性优于一般线性回归模型,能够准确预测高强度复杂运动的能量消耗,经验证其在预测运动能量消耗方面具有很高的准确性,为最优化的预测模型。(本文来源于《四川师范大学》期刊2019-06-20）
黄昱,王绥亮,刘强,贺慧勇[3]（2019）在《加速度计充放电式差分电容测量电路噪声模型》一文中研究指出为了估计差分电容测量电路中的噪声影响,并针对高精度加速度计的应用需求,分析了充放电式测量电路的噪声源的影响,建立了电路的噪声模型,得出了电路的等效加速度噪声公式。通过实际测量现有电路,得出开环状态下测量时间差与加速度差的关系,并推导出电路的加速度噪声量级。计算结果表明:在给定电路参数下,充放电法的噪声约为10~(-6)gn量级,比较器噪声对电路噪声性能影响较大,差分电容的共模寄生电容和比较器阈值也会影响电路噪声性能。(本文来源于《传感器与微系统》期刊2019年06期）
陈庆果,刘耀天,谭雅兮,杨强,杨珊珊[4]（2019）在《腕部加速度计中不同类型能耗预测模型的建构与评估》一文中研究指出构建不同类型的腕部加速度计能耗预测模型,并横向比较其准确性,为腕部加速度计(智能手环)的算法优化提供实证支持。方法:42名受试者(实验组28人和验证组14人),测试时每名受试者佩戴气体代谢分析仪Cosmed K4b2和2个佩戴加速度计Actigraph-GT3X于手腕和髋部处,分2个阶段完成20项体力活动。以间接测热法为能耗预测校标,采用实验组数据分别建立一般线性回归模型、两阶段模型、神经网络模型和支持向量机模型,并利用验证组数据对其测量准确性进行横向比较。结果:建立了线性模型(METs=0.000228×VM+2.019)、两阶段模型、10-21-1叁层神经网络模型(初始学习率为0.05,动量常量设为0.5,误差率为0.000 1)和支持向量机模型(10个输入指标、RBF为核函数、gamma为1.5、C为10、损失系数为0.01)。在RMSE上,神经网络模型<支持向量机模型<两阶段模型<线性回归模型。神经网络模型和支持向量机模型的预测值90%CI均落在校标(K4b2)的等效区间内,在B-A图上的各指标均优于两阶段模型和线性回归模型。结论:在腕部能耗预测中,建立的神经网络模型和支持向量机模型能有效监测日常体力活动,具有应用价值;应谨慎运用两阶段模型,不宜使用一般线性模型。(本文来源于《首都体育学院学报》期刊2019年03期）
魏青轩,王建林,韩锐,于涛,赵利强[5]（2018）在《基于DSC-LS的加速度计动态模型参数辨识》一文中研究指出加速度计动态模型参数辨识对提高振动与冲击动态测试和动态分析精度等具有重要作用.针对加速度计动态模型参数频域辨识方法中栅栏效应对参数辨识精度的影响,提出了一种基于离散频谱校正-最小二乘(DSCLS)的加速度计动态模型参数辨识方法,该方法利用H1估计获得零频点坐标,并将FFT+FT离散频谱校正与LS方法相结合,高精度估计出谐振点坐标,然后通过特征点坐标计算加速度计动态模型参数.实验结果表明,该方法能够有效消除栅栏效应对加速度计动态模型参数辨识的影响,具有较高的加速度计动态模型参数辨识精度和抗低频窄带噪声干扰性能.(本文来源于《北京理工大学学报》期刊2018年12期）
王建林,郭永奇,魏青轩,孙桥,胡红波[6]（2018）在《基于WLS-SVM的加速度计动态模型参数辩识》一文中研究指出提高加速度计动态模型参数辨识精度,对研究和改善加速度计动态特性有重要作用。针对加速度计的非线性影响其动态模型参数辨识精度的问题,提出了一种基于加权最小二乘(WLS)和支持向量机(SVM)的加速度计动态模型参数辩识方法,该方法针对包含线性部分和非线性项的加速度计二阶非线性动态模型,利用WLS辩识加速度计动态模型的线性部分参数,并采用SVM估计加速度计动态模型的非线性特性,通过迭代和最小化所构建的误差准则函数,实现加速度计动态模型参数最优辨识。仿真实验和加速度计绝对法冲击激励校准实验表明,该方法能够减小加速度计非线性对动态模型参数辩识精度的影响,所得加速度计动态模型参数辨识结果具有较高的精度。(本文来源于《振动与冲击》期刊2018年19期）
刘珏,高艺,李军,李亮,牛文韬[7]（2018）在《液浮陀螺加速度计浮油模型的阻尼特性研究》一文中研究指出对于液浮陀螺加速度计而言,其液浮支撑主要是通过浮油悬浮实现的,它是浮子组件工作的环境。浮油的阻尼特性直接决定了加速度计磁悬浮系统的出力大小、伺服回路的设计参数,进而影响仪表的动态精度。由于加速度计浮油模型形状复杂、环境封闭等特点,使浮油模型的阻尼研究面临很多困难。采用试验验证与仿真计算相结合的方法,利用仪表的摆性和角度传感器系统验证了仿真计算方法对浮油阻尼研究的合理性,通过仿真方法分析了在平行运动状态下的阻尼特性,得到了粘度、运动方向因素对阻尼的影响规律,具有重要的工程应用价值。(本文来源于《长春理工大学学报(自然科学版)》期刊2018年03期）
郭卫,杨鹏飞,张武刚,王巍[8]（2018）在《基于BP神经网络模型的MEMS加速度计误差补偿方法》一文中研究指出现阶段普遍采用多元线性回归对加速度计误差建模,并利用最小二乘法对模型参数辨识,但其对加速度计精度提高有限,因此该文提出一种基于BP神经网络模型的MEMS加速度计误差补偿方法。该方法利用BP神经网络建立加速度计误差模型,通过多位置翻滚进行实验数据测量,并对模型进行训练,最后利用训练好的模型对加速度计误差进行补偿。比较多元线性回归和BP神经网络建模对加速计误差补偿结果,其标准偏差分别为0.001 9 g和0.000 16 g。结果表明误差下降一个数量级,说明BP神经网络能有效地补偿加速度计误差。(本文来源于《中国测试》期刊2018年03期）
刚煜,王永建,赵鹏,贺慧勇,唐立军[9]（2018）在《石英挠性加速度计表头力矩器噪声模型研究》一文中研究指出石英挠性加速度计的内部力矩器噪声对于高精度的加速度计应用系统的影响是不可忽视的,但很少引起高度重视。针对高精度加速度计电路应用需要,研究了力矩器机械热噪声和力矩器线圈谐振的影响,建立了表头内部力矩器噪声电路模型,设计了测试电路,并对噪声电路模型进行了测试与验证。理论和实验结果均表明:机械热噪声产生的等效加速度对系统影响较小,力矩器线圈影响的谐振与驱动方式及驱动频率有关,脉宽调制(PWM)波驱动方式较正弦波驱动方式产生的谐振影响更大,当驱动频率靠近谐振点时,产生毫安(mA)级的谐振电流。模型的建立对石英挠性加速度计应用具有较好的参考价值。(本文来源于《传感器与微系统》期刊2018年03期）
魏青轩,王建林,付雪松,孙桥,胡红波[10]（2017）在《基于DTC-LS的加速度计动态模型参数辨识》一文中研究指出加速度计动态模型对描述和分析其动态特性具有重要作用。针对加速度计绝对法冲击激励校准中未知延迟时间对加速度计动态模型参数辨识精度的影响,提出了一种基于延迟时间修正(DTC)和最小二乘(LS)的加速度计动态模型参数辨识方法,该方法将延迟环节引入加速度计动态模型中,使用加速度计冲击激励与响应数据的傅里叶变换估计频率响应函数,采用LS方法和极小化相位误差准则函数迭代修正延迟时间,并利用延迟时间修正后的加速度计冲击激励与响应数据,辨识加速度计动态模型参数。仿真实验和加速度计绝对法冲击激励校准实验表明,该方法能够有效地消除延迟时间对加速度计动态模型参数辨识的影响,辨识获得的加速度计动态模型参数具有较高精度。(本文来源于《仪器仪表学报》期刊2017年12期）
加速度计模型论文开题报告
（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：
目的:目前我国有关能量消耗的研究大部分围绕简单的中、低强度的周期性体力活动展开,鲜少涉及到高强度复杂的体力活动,且有关于神经网络模型对体力活动能量消耗的预测应用较少,本研究通过对不同佩戴部位的加速度计原始数据的处理,建立不同佩戴部位的线性回归模型和神经网络模型,并对相同、不同佩戴部位的两个模型进行横向的比较,以寻找出最优化的预测模型,从而丰富加速度计的测量领域,让其更好地为运动实践服务。方法:本次研究采用测量法,受试者在4个部位(优势和非优势手腕外侧、髋部右侧和右脚踝外侧)佩戴4个Actigraph GT3X加速度计(简称GT3X),在胸前佩戴1个Cosmed K4b~2气体代谢能耗分析仪(简称K4b~2),通过大屏幕播放的已剪辑好的高强度健身操视频,除去热机准备和热身时间,受试者进行时长为9分钟的高强度复杂运动(本研究选择健身操作为典型代表)。使用SPSS 22.0建立一般线性回归模型,通过SPSS Modeler18.0建立神经网络模型,并使用Bland-Altman方法和比较RMSE等指标对两个预测模型进行预测准确性检验。结果:(1)运动过程中身体形态学指标与能量消耗EE的相关性分析中,体重指标与EE的相关性最高,建模组r=0.505(p<0.01),验证组r=0.41(p<0.01);4个佩戴部位的加速度计VM值和HR与K4b~2能量消耗的EE、METs的相关性分析中,4个部位的VM值与EE、METs的相关性都很显着(p<0.01),其中优势手腕的相关性最为显着,HR与EE、METs的相关性最强,与EE的相关性为0.486(p<0.01),与METs的相关性为0.502(p<0.01)。(2)本研究构建的四个部位线性回归预测方程如下:非优势手腕EE=0.000014VM+0.135体重+0.004HR-1.071脚踝EE=0.000025VM+0.135体重+0.004HR-1.157腰部EE=0.000029VM+0.135体重+0.003HR-0.674优势手腕EE=0.000024VM+0.133体重+0.004HR+0.187非优势手腕调整后R~2=0.519,脚踝调整后R~2=0.521,腰部调整后R~2=0.518,优势手腕调整后R~2=0.522。(3)本研究构建出的四个部位的叁层神经网络预测模型初始学习率为0.05,动量常量设为0.5,误差率设为0.001,模型如下:非优势手腕13-9-1叁层神经网络模型(R~2=0.808)脚踝13-9-1叁层神经网络模型(R~2=0.796)腰部13-13-1叁层神经网络模型(R~2=0.771)优势手腕13-8-1叁层神经网络模型(R~2=0.795)(4)线性回归模型和神经网络模型实测值与预算值的一致性检验中,在B-A图中,不同模型不同部位的各散点都基本落在±1.96SD之间,非优势手腕、脚踝、腰部和优势手腕这4个部位的神经网络模型和线性回归模型均有良好的预测能力。(5)通过计算不同部位预测值的RMSE、MAPE和BIAS指数并进行横向比较,神经网络模型非优势手腕、优势手腕、脚踝和腰部这4个部位的RMSE和MAPE均低于线性回归模型,神经网络RMSE指数分别为:0.98、2.85、1.05和1.16,线性回归模型的RMSE指数分别为:1.65、4.7、1.64、1.7,神经网络模型的优势手腕和腰部的BIAS指数也明显低于线性回归模型,从整体误差上来看,神经网络模型的误差更小。结论:(1)本研究构建的四个部位的线性回归能量消耗方程具有较高拟合度,在预测运动能量消耗方面具有较高的准确度,可应用于大多高强度复杂运动能量消耗的监测。(2)本研究构建的四个部位的叁层神经模型具有很高的拟合度,准确性优于一般线性回归模型,能够准确预测高强度复杂运动的能量消耗,经验证其在预测运动能量消耗方面具有很高的准确性,为最优化的预测模型。
（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。
加速度计模型论文参考文献
[1].黄铎佳,胡湘洪,张蕊,沈峥嵘,赵振峰.基于NL模型的光电加速度计加速试验方法研究[J].电子产品可靠性与环境试验.2019
[2].廖方萍.加速度计监测高强度复杂运动能量消耗的模型构建与准确性评估[D].四川师范大学.2019
[3].黄昱,王绥亮,刘强,贺慧勇.加速度计充放电式差分电容测量电路噪声模型[J].传感器与微系统.2019
[4].陈庆果,刘耀天,谭雅兮,杨强,杨珊珊.腕部加速度计中不同类型能耗预测模型的建构与评估[J].首都体育学院学报.2019
[5].魏青轩,王建林,韩锐,于涛,赵利强.基于DSC-LS的加速度计动态模型参数辨识[J].北京理工大学学报.2018
[6].王建林,郭永奇,魏青轩,孙桥,胡红波.基于WLS-SVM的加速度计动态模型参数辩识[J].振动与冲击.2018
[7].刘珏,高艺,李军,李亮,牛文韬.液浮陀螺加速度计浮油模型的阻尼特性研究[J].长春理工大学学报(自然科学版).2018
[8].郭卫,杨鹏飞,张武刚,王巍.基于BP神经网络模型的MEMS加速度计误差补偿方法[J].中国测试.2018
[9].刚煜,王永建,赵鹏,贺慧勇,唐立军.石英挠性加速度计表头力矩器噪声模型研究[J].传感器与微系统.2018
[10].魏青轩,王建林,付雪松,孙桥,胡红波.基于DTC-LS的加速度计动态模型参数辨识[J].仪器仪表学报.2017