线性回归模型的研究毕业论文

丽水学院2014届学生毕业（设计）论文PAGEPAGE16线性回归模型的研究学院：理学院班级：金融数学10本姓名：俞超迪指导老师：杨毅【摘要】：本文首先对回归分析的定义、主要内容、基本思想、实现过程进行了阐述，指出了它的优点及存在的问题。对NBA比赛中的各因素和中国人口的预测进行了研究。最后对整篇文章做了个总结。【关键词】：回归分析；回归模型；检验；预测1引言回归分析最早是由19世纪末期高尔顿（Sir

Francis

Galton）发展的。1855年，他发表了一篇文章名为“遗传的身高向平均数方向的回归”，分析父母与其孩子之间身高的关系，发现父母的身高越高或的其孩子也越高，反之则越矮。他把儿子跟父母身高这种现象拟合成一种线性关系。但是他还发现了个有趣的现象，高个子的人生出来的儿子往往比他父亲矮一点更趋向于平均身高，矮个子的人生出来的儿子通常比他父亲高一点也趋向于平均身高。高尔顿选用“回归”一词，把这一现象叫做“向平均数方向的回归”。于是“线形回归”的术语被沿用下来了。回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。按照参数估计方法可以分为主成分回归、偏最小二乘回归、和岭回归。一般采用线性回归分析，由自变量和规定因变量来确定变量之间的因果关系，从而建立线性回归模型。模型的各个参数可以根据实测数据解。接着评价回归模型能否够很好的拟合实际数据；如果不能够很好的拟合，则重新拟合；如果能很好的拟合，就可以根据自变量进行下一步推测。回归分析是重要的统计推断方法。在实际应用中，医学、农业、生物、林业、金融、管理、经济、社会等诸多方面随着科学的发展都需要运用到这个方法。从而推动了回归分析的快速发展。2回归分析的概述2.1回归分析的定义回归分析是应用极其广泛的数据分析方法之一。回归分析（regressionanalysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。2.2回归分析的主要内容（1）从一组数据出发，确定某些变量之间的定量关系式，即建立数学模型并估计其中的未知参数。估计参数的常用方法是最小二乘法。（2）对这些关系式的可信程度进行检验。（3）在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量选入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。（4）利用所求的关系式对某一生产过程进行预测或控制。回归分析的应用是非常广泛的，统计软件包使各种回归方法计算十分方便。2.3一元线性回归与多元线性回归的分析一元线性回归模型,是分析两个变量之间相互关系的数学方程式,其一般表达式为y=a+bx式中,y表示因变量的估计值,x表示自变量,a,b称为回归模型的待定参数,其中b又称为回归系数。上述的回归方程式在平面坐标系中表现为一条直线即回归直线。当b>0时y随x的增加而增加,两变量之间为正相关关系;当b<0时,y随x的增加而减少,两变量之间为负相关关系;当y为一个常量时,不随x的变动而变动。这样就为我们判断现象之间的关系,分析现象之间是否处于正常状态提供了一条标准。多元线性回归模型旨在分析两个或者两个以上的自变量作用后产生的结果,即多个自变量下的因变量结果,研究的是随机变量y与多个普通变量x1,x2,…xp,(p≥2),的相关关系。表达式为y=β0+β1x1+β2x2+…βpxp+ε，对随机误差项ε常假定E(ε)=0,Var(ε)=σ2。并且称E(y)=β0+β1x1+β2x2+…βpxp为理论回归方程。在实际应用中，如果获得n组观测数据（xi1,xi2,…,xip;yi),i=1,2,…,n,则线性回归模型变为y=β0+β1xi1+β2xi2+…βpxip+εi。并且，量y与自变量x之间的关系往往是非线性关系，而不是简单的线性关系。但在非线性回归分析研究实际问题时,往往选择可以通过一定变换后能转换成线性关系的研究模型，从而避免了非线性回归分析的计算的复杂性。随着技术的不断进步，研究过程中经常运用到计算机，复杂的非线性回归分析模型也将被应用在研究中，而且会越来越频繁。2.4回归分析的基本思想在回归分析中，把变量分为两类。一类是因变量，它们通常是实际问题中所关心的一类指标，通常用Y表示；而影响因变量取值的的另一类变量称为自变量，用X来表示。回归分析研究的主要问题是：（1）确定Y与X间的定量关系表达式，这种表达式称为回归方程；（2）对求得的回归方程的可信度进行检验；（3）判断自变量X对因变量Y有无影响；（4）利用所求得的回归方程进行预测和控制。2.5回归分析的实现过程（1）确定变量：明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。（2）建立预测模型：依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。（3）进行相关分析：回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。（4）计算误差量：回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。（5）确定预测值：利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。2.6回归分析的优缺点回归分析的优点是在分析多个因素模型的时候，更加的简单有效，可以准确的计量多个因素之间的相关程度与回归拟合程度的高低，从而提高预测方程式的准确性。但有时候在回归分析中，选用何种因子和该因子采用何种表达式只是一种推测，这影响了因子的多样性和某些因子的不可测性，使得回归分析在某些情况下受到限制。3回归分析的应用3.1一元线性回归分析中国人口发展的第四个高峰期是在新中国建立之后的50年。在这一时期里，中国人口的大展呈现着许多复杂的特点，而且这些特点都与中国历史时期人口有着密切的关系人口问题一直是一个全球性问题，也是中国经济社会发展和可持续发展的一个基本问题。2010年，中国人口总数已经达到134091万，全世界大约683059万人。全世界平均五个人中就有一个是中国人。中国人口的特点是基数大、育龄人群和农村人口的比重高、增长速度较快而且地区分布不均匀。虽然中国人口基数大，但是每年净增人口数也很大。那么未来人口增长趋势如何呢，未来男性比重、人口老龄化趋势、城市人口比重又如何呢？查阅大量资料得到以下数据年份总人口（万）男性人口比重（%）城市人口比重（%）199612238950.8230.48199712362651.0731.91199812476151.2533.35199912578651.4334.78200012674351.6336.22200112762751.4637.66200212845351.4739.09200312922751.5040.53200412998851.5241.76200513075651.5342.99200613144851.5244.34200713212951.5045.89200813280251.4746.99200913345051.4448.34201013409151.2749.95201113473551.2651.27观察历年总人口散点图，发现变量间呈线性相关趋势，所以应该选取一元线性回归的方法。通过spss软件回归分析得到下图模型拟合度检验模型汇总b模型RR方调整R方标准估计的误差1.995a.990.989393.666a.预测变量:(常量),年份。b.因变量:总人口其中第二列R表示复相关系数，其反映的是自变量与因变量之间的密切程度。其值在0到1之间，越大越好。第三列R方是复相关系数的平方，又称决定系数。通过观察这几个数据，可知拟合情况很好。方差分析表Anovaa模型平方和df均方FSig.1回归217948139.1361217948139.1361406.364.000b残差2169618.30114154972.736总计220117757.43815a.因变量:总人口b.预测变量:(常量),年份。从上图中可知，回归模型的Sig值为0，说明该模型有显著的统计意义。系数a模型非标准化系数标准系数tSig.B标准误差试用版1(常量)-1474830.96342773.884-34.480.000年份800.64021.350.99537.502.000a.因变量:总人口根据上图得到拟合的结果为总人口=年份*800.640-1474830.963。但是一个完整的回归分析过程还包括利用残差分析，对拟合结果进行检验。下图中所示的是与残差值有关的一些统计量，包括预测值及标准化的预测值、残差及残差的预测值的最小值、最大值、均值、标准差和样本值。这些数据中无离群值，且数据的标准差也比较小，可以认为模型是健康的。残差统计量a极小值极大值均值标准偏差N预测值123245.89135255.48129250.693811.80716残差-856.890403.272.000380.31716标准预测值-1.5751.575.0001.00016标准残差-2.1771.024.000.96616a.因变量:总人口对于模型的检验，除了分析残差统计量之外，还可以直接作出标准化残差值的直方图和正态P-P图来观察其是否服从正态分布。如下图所示，由于残差具有正态分布的趋势。因此可以认为这里的回归模型是恰当的。观察历年城市人口比重散点图，发现变量间呈线性相关趋势，所以应该选取一元线性回归的方法。通过spss软件回归分析得到下图模型拟合度检验模型汇总b模型RR方调整R方标准估计的误差11.000a1.0001.000.13627a.预测变量:(常量),年份。b.因变量:城市人口比重通过观察这几个数据可知拟合度很好。Anovaa模型平方和df均方FSig.1回归643.0461643.04634629.231.000b残差.26014.019总计643.30615a.因变量:城市人口比重b.预测变量:(常量),年份。回归模型的Sig值为0，说明该模型具有显著的统计意义。系数a模型非标准化系数标准系数tSig.B标准误差试用版1(常量)-2714.34214.806-183.322.000年份1.375.0071.000186.089.000a.因变量:城市人口比重拟合的结果为城市人口比重=年份*1.375-2714.342。同样可以通过以上两种方法对拟合结果进行检验，发现该回归模型是恰当的。结论通过建立回归模型可以预测未来几年内中国人口，中国人口一直呈现上升趋势，上升速度基本平缓，没有出现很大的波动，但上升幅度有略微的下降。同样通过回归模型能够预测未来几年内中国城市人口比重，中国城市人口比重也一直呈现上升趋势，上升速度快，城市人口越来越多，已经超过50%，未来几年内还会继续上升，没有下跌的趋势，而且上升幅度基本不变。结合实际情况，比如“计划生育”方面可以改善一下，适当的放宽要求。3.2多元线性回归分析篮球运动是一项热门的竞技体育运动项目，由两队参与的球类运动。篮球比赛强调篮球运动员之间的配合来完成比赛。而篮球运动对运动员的技战术和身体素质要求越来越高，尤其是当今世界篮球水平最高的联赛是美国的国家篮球协会（NBA），其对技术的要求比起其他赛事更高。优秀的篮球技术是战术运用的基础。传统上把篮球技术分为进攻技术和防守技术两种，包括移动动作、控制球权、支配球权和争夺球权，当然也包括由这些动作随意组合所组成的动作体系。众所周知，影响每一场比赛胜负的原因有很多，既有偶然性，但更多的是必然性的。那么是哪些主要的技战术动作主导着NBA2012-2013赛季季后赛每支参赛球队的最终排名呢？从而能够提高这些技战术动作能力来提高排名。通过对NBA2012-2013赛季季后赛数据的进行回归分析就能得到答案。NBA季后赛是世界最高水平的比赛，各支球队以夺取总冠军为最高荣誉和目标，而且NBA比赛也为各支球队的战术、实力的表现提供了平台。之所以NBA的吸引力大是因为比赛精彩，战术、球员能力高。根据NBA中文官方网站提供的数据统计情况，发现有总投篮出手、投篮命中率、三分球命中率、罚球命中率、助攻、得分六项指标来评价球队进攻能力。发现有篮板、抢断、盖帽、失分四项指标来评价球队的防守能力。发现有失误、犯规、失格三项指标来评价球队的违规控制能力。NBA2012-2013赛季季后赛各球队进攻能力六项指标成绩球队总投篮出手投篮命中率三分球命中率罚球命中率助攻得分总冠军热火76.60.4680.40.76820.697.1西部冠军马刺82.20.4630.40.76321.9100.3西部决赛灰熊81.50.4180.30.74819.394.7东部决赛步行者78.50.4330.30.74017.591.8第二轮雷霆81.60.4270.30.83818.198.5第二轮勇士84.40.4620.40.73621.7102.7第二轮公牛79.90.4380.30.72019.591.9第二轮尼克斯81.00.4100.30.78215.188.6第一轮老鹰77.30.4220.30.68217.089.3第一轮篮网83.70.4420.30.75820.299.4第一轮凯尔特人82.30.4130.30.86016.890.6第一轮雄鹿76.80.4330.30.63019.893.2第一轮火箭81.00.4240.30.71118.0100.0第一轮快船75.30.4670.30.78218.094.7第一轮掘金84.80.4380.30.73021.2103.0第一轮湖人78.00.4420.30.60818.585.3NBA2012-2013赛季季后赛各球队防守能力四项指标成绩球队篮板抢断盖帽失分总冠军热火90.7西部冠军马刺93.3西部决赛灰熊94.1东部决赛步行者91.6第二轮雷霆42.96.07.097.1第二轮勇士102.5第二轮公牛98.6第二轮尼克斯85.9第一轮老鹰94.5第一轮篮网97.4第一轮凯尔特人39.05.53.087.7第一轮雄鹿34.810.02.5100.0第一轮火箭105.8第一轮快船100.2第一轮掘金38.79.02.8107.2第一轮湖人40.05.85.3104.0NBA2012-2013赛季季后赛各球队违规控制能力三项指标成绩球队失误犯规失格总冠军热火西部冠军马刺12.919.10.0西部决赛灰熊10.722.10.1东部决赛步行者16.422.40.2第二轮雷霆13.624.90.3第二轮勇士16.523.80.3第二轮公牛14.322.40.6第二轮尼克斯11.623.80.4第一轮老鹰第一轮篮网11.619.90.3第一轮凯尔特人17.318.80.3第一轮雄鹿16.319.80.0第一轮火箭15.823.20.0第一轮快船13.327.80.2第一轮掘金14.523.20.3第一轮湖人16.517.50.0NBA2012-2013赛季季后赛各球队名称排名情况的影响因素分析（1）确定影响NBA2012-2013赛季季后赛各球队的排名情况模型。NBA2012-2013赛季季后赛各球队名称排名情况是综合因素的反映，令热火为第一名，马刺第二名，灰熊跟步行者并列第三名，雷霆、勇士、公牛、尼克斯并列第五名，老鹰、篮网、凯尔特人、雄鹿、火箭、快船、掘金、湖人并列第九。设成绩为因变量Y.设总投篮出手、投篮命中率、三分球命中率、罚球命中率、助攻、得分、篮板、抢断、盖帽、失分、失误、犯规和失格为自变量，分别为X1，X2，X3，X4，X5，X6，X7，X8，X9，X10，X11，X12，X13。（2）首先，分析各个待选变量的特制，以及对排名的影响程度，相关系数显著性检验代表解释变量X与被解释变量Y之间的相关程度，它越靠近1，说明两者相关程度越高，可以利用SPSS逐步筛选的方法进一步完成回归方程的建立。依据下表可知，模型2的相关系数显著性检验R为0.606，决定系数R方为0.368，调整的决定系数为0.323；而模型2的相关性系数检验R为0.742，决定系数R为0.550，调整的决定系数为0.481，各值都比模型1更加接近于1。所以模型2更加适合做线性回归模型，而且主要影响因素为x3和x10，其他因素经分析可以不考虑。模型汇总模型RR方调整R方标准估计的误差1.606a.368.3232.4552.742b.550.4812.149a.预测变量:(常量),X3。b.预测变量:(常量),X3,X10。（2）建立NBA2012-2013赛季季后赛各球队的名次排名情况回归方程。从下表中可知：各列数据依次是非标准化回归系数B、非标准化回归系数的标准误差、标准化回归系数、回归系数显著性检验中T统计量的观测值、对应的概率sig。因为常量sig值太大，所以选择标准系数，误差小，即自变量X3三分球命中率为-0.558，自变量X10失分为0.429,。由此可知回归方程为Y=-0.316-0.558X3+0.429X10。系数a模型非标准化系数标准系数tSig.共线性统计量B标准误差试用版容差VIF1(常量)20.6155.0494.083.001X3-44.87215.723-.606-2.854.0131.0001.0002(常量)-.31610.142-.031.976X3-41.32013.855-.558-2.982.011.9881.013X10.204.089.4292.293.039.9881.013a.因变量:Y(3)NBA2012-2013赛季季后赛各球队成绩排名与名次回归方程的Y分析。依据对NBA2012-2013赛季季后赛各球队的名次回归方程Y与比赛成绩排名进行分析，各队名次回归方程Y排序情况与比赛成绩排名具有一定程度的相关关系，以NBA2012-2013赛季季后赛各球队的成绩做为效标，名次回归方程得分值排序情况Y与比赛成绩进行分析，经检验P小于0.01，本研究名次回归方程较好地反映NBA2012-2013赛季季后赛各球队的比赛成绩。因此，各队教练员可以根据该方程的影响因素及影响程度，并结合球队实际情况分析自己球队跟其他球队相比所存在的优势及不足，从而针对性的进行技术训练，自己球队有优势的地方要保持并扩大，自己球队不足的地方得抓紧弥补，追上其他球队的步伐。成绩球队名次回归方程Y名次回归方程Y排序总冠军热火38.37113西部冠军马刺39.48655西部决赛灰熊39.88556东部决赛步行者38.8134第二轮尼克斯36.36771第二轮雷霆41.17258第二轮公牛41.8169第二轮勇士43.433313第一轮凯尔特人37.13992第一轮老鹰40.05717第一轮篮网41.301210第一轮雄鹿42.416611第一轮快船42.502412第一轮湖人44.132614第一轮火箭44.904815第一轮掘金45.505416结论与建议（1）从NBA2012-2013赛季季后赛各球队的技术数据分析出各队成绩回归方程Y排序情况的影响因素很多，其中主要影响的是三分球命中率和失分两项指标。（2）对NBA2012-2013赛季季后赛各球队的技术数据进行逐步回归分析，其有效性较高，教练员可以根据回归分析的结果进行针对性的训练，比如说可以加强球队的三分球能力，可以加大三分球训练的时间，可以多磨练球队的防守能力，防止球队的失分变多，使球队失分控制在有利范围。（3）NBA2012-2013赛季季后赛各球队的成绩回归方程排序情况与比赛成绩具有一定程度的相关关系，回归方程能较好地反映出NBA2012-2013赛季季后赛各球队的比赛成绩。4结束语回归分析在实际应用有很大的作用，在分析多个因素模型的时候，更加的简单有效，可以准确的计量多个因素之间的相关程度与回归拟合程度的高低，从而提高预测方程式的准确性。也可以分析一个因素建立模型，通过模型可以进行预测，而且预测值误差小，所以说回归分析对实际应用有着重要的意义。参考文献[1]李惠林．中国国家女子篮球队技术指标与比赛成绩的相关分析[J]．中国体育科技，2007(4)：72-76[2]王路德．体育统计方法与运用[M]．北京：人民体育出版社，2008：120-127[3]薛薇．SPSS统计分析方法及应用[M]．北京：电子工业出版社，2009：246-268[4]何志林，邓达之，余吉成，等．现代篮球[M]．北京：人民体育出版社，2000：28-29[5]NBA中国官方网站：[6]吴福珍、王晓军.应用Matlab软件对NBA赛程进行利弊分析[J].电脑开发与应用，2011(3):1417.[7]王建国.NBA制衡机制的研究[D].北京：北京体育大学,2011.[8]张志谦.浅谈20112011赛季NBA总决赛各项技术统计对比赛胜负的影响[J].内蒙古体育科技,2011(2):9394.[9]吴福珍.应用Matlab软件对NBA赛程进行利弊分析,电脑开发和应用，2009（3）[10]冯力.回归分析方法原理及SPSS实际操作[M].北京:中国金融出版社,2004.[11]刘伟铭等.基于多元回归分析的事件持续时间预测[J].公路交通科技,2005,22(11):126-129.[12]徐海量等.塔电木河下游坏境因子与沙漠化关系多元回归分析[J].干旱区研究.2003,20(1):39-43.RegressionmodelofresearchInstitute:collegeofmathematicalClass:10thisfinancialmathematicsName:YuChaoDiGuideteacher:Yangyi【abstract】:Thisarticlefirsttotheregressionanalysisofthedefinition,maincontent,basicidea,theimplementationprocessareexpounded,itsadvantagesandexistingproblemsarepointedout.Andthenthroughthepracticalapplication,tosolveproblemsintheNBAandforecastingofthepopulationofChina.Finally,thearticlemadeasummary.【keywords】:regressionanalysis;Theregressionmodel;Inspection;Topredict致谢毕业论文即将画上句号，在丽水学院的四年收获颇丰，有专业知识的累积提升，有生活态度的成熟变化。回顾这四年的撑场轨迹，发现前进的每一步都离不开老师、同学、朋友的提携和搀扶，此时此刻，我心里深深的感激哪些指点我前行、陪伴我成长的人们。感谢学院领导和老师的培养，感谢他们用精湛的学术，崇高的师德给我们树立了学习的榜样。导师杨毅老师为我的毕业论文每一步发展倾注了心血。她严谨的科学态度，专业的治学精神，精益求精的工作作风，深深地激励和感染着我。在论文写作过程中，遇到的一些难题，是杨老师一遍又一遍的指导，一次又一次的讲解才让我完成整篇论文。从选题到文献综述，到开题答辩，到研究过程，直到论文的结束，杨老师都会在百忙之中抽出时间给予我不懈的支持和细心地指导，十分感谢他对我学业上的指导和各方面的帮助。在此，还要感谢陪伴我大学四年的亲爱的同学们，在这个即将踏入社会、直面人声的时刻，我要深深的感谢你们。生活上的照顾，陪我开始陌生的生活，在我低潮时鼓励我；研究中帮助我。总之，感谢所有曾经陪伴过我，现在陪伴着我的人，是你们给了我珍贵的生命记忆。致谢人：俞超迪2013年12月3日基于C8051F单片机直流电动机反馈控制系统的设计与研究基于单片机的嵌入式Web服务器的研究MOTOROLA单片机MC68HC（8）05PV8/A内嵌EEPROM的工艺和制程方法及对良率的影响研究基于模糊控制的电阻钎焊单片机温度控制系统的研制基于MCS-51系列单片机的通用控制模块的研究基于单片机实现的供暖系统最佳启停自校正（STR）调节器单片机控制的二级倒立摆系统的研究基于增强型51系列单片机的TCP/IP协议栈的实现基于单片机的蓄电池自动监测系统基于32位嵌入式单片机系统的图像采集与处理技术的研究基于单片机的作物营养诊断专家系统的研究基于单片机的交流伺服电机运动控制系统研究与开发基于单片机的泵管内壁硬度测试仪的研制基于单片机的自动找平控制系统研究基于C8051F040单片机的嵌入式系统开发基于单片机的液压动力系统状态监测仪开发模糊Smith智能控制方法的研究及其单片机实现一种基于单片机的轴快流CO〈,2〉激光器的手持控制面板的研制基于双单片机冲床数控系统的研究基于CYGNAL单片机的在线间歇式浊度仪的研制基于单片机的喷油泵试验台控制器的研制基于单片机的软起动器的研究和设计基于单片机控制的高速快走丝电火花线切割机床短循环走丝方式研究基于单片机的机电产品控制系统开发基于PIC单片机的智能手机充电器基于单片机的实时内核设计及其应用研究基于单片机的远程抄表系统的设计与研究基于单片机的烟气二氧化硫浓度检测仪的研制基于微型光谱仪的单片机系统单片机系统软件构件开发的技术研究基于单片机的液体点滴速度自动检测仪的研制基于单片机系统的多功能温度测量仪的研制基于PIC单片机的电能采集终端的设计和应用基于单片机的光纤光栅解调仪的研制气压式线性摩擦焊机单片机控制系统的研制基于单片机的数字磁通门传感器基于单片机的旋转变压器-数字转换器的研究基于单片机的光纤Bragg光栅解调系统的研究单片机控制的便携式多功能乳腺治疗仪的研制基于C8051F020单片机的多生理信号检测仪基于单片机的电机运动控制系统设计Pico专用单片机核的可测性设计研究基于MCS-51单片机的热量计基于双单片机的智能遥测微型气象站MCS-51单片机构建机器人的实践研究基于单片机的轮轨力检测基于单片机的GPS定位仪的研究与实现基于单片机的电液伺服控制系统用于单片机系统的MMC卡文件系统研制基于单片机的时控和计数系统性能优化的研究基于单片机和CPLD的粗光栅位移测量系统研究单片机控制的后备式方波UPS提升高职学生单片机应用能力的探究基于单片机控制的自动低频减载装置研究基于单片机控制的水下焊接电源的研究基于单片机的多通道数据采集系统基于uPSD3234单片机的氚表面污染测量仪的研制基于单片机的红外测油仪的研究96系列单片机仿真器研究与设计基于单片机的单晶金刚石刀具刃磨设备的数控改造基于单片机的温度智能控制系统的设计与实现基于MSP430单片机的电梯门机控制器的研制基于单片机的气体测漏仪的研究基于三菱M16C/6N系列单片机的CAN/USB协议转换器基于单片机和DSP的变压器油色谱在线监测技术研究基于单片机的膛壁温度报警系统设计基于AVR单片机的低压无功补偿控制器的设计基于单片机船舶电力推进电机监测系统基于单片机网络的振动信号的采集系统基于单片机的大容量数据存储技术的应用研究基于单片机的叠图机研究与教学方法实践基于单片机嵌入式Web服务器技术的研究及实现基于AT89S52单片机的通用数据采集系统基于单片机的多道脉冲幅度分析仪研究机器人旋转电弧传感角焊缝跟踪单片机控制系统基于单片机的控制系统在PLC虚拟教学实验中的应用研究基于单片机系统的网络通信研究与应用基于PIC16F877单片机的莫尔斯码自动译码系统设计与研究基于单片机的模糊控制器在工业电阻炉上的应用研究基于双单片机冲床数控系统的研究与开发基于Cygnal单片机的μC/OS-Ⅱ的研究基于单片机的一体化智能差示扫描量热仪系统研究基于TCP/IP协议的单片机与Internet互联的研究与实现变频调速液压电梯单片机控制器的研究基于单片机γ-免疫计数器自动换样功能的研究与实现基于单片机的倒立摆控制系统设计与实现单片机嵌入式以太网防盗报警系统基于51单片机的嵌入式Internet系统的设计与实现单片机监测系统在挤压机上的应用MSP430单片机在智能水表系统上的研究与应用