课程简介
课程的意义：
1. 通过课程的学习，使学生系统化了解智能仪器硬件组成原理以及相关设计方法，综合应用在电类相关课程中学习过的各种知识，达到学以致用的目的。
2. 该课程对于增强本科生对电路、电子、电磁场以及控制系统等基础课程知识点的理解和领悟，对其创新和创业能力和科研素养的培养均具有重要的意义
3. “智能仪器”的研发是当前信息化和智能化时代大学生创新创业的热点领域，因此，开设“智能仪器设计”线上课程会满足大学生创新创业的旺盛需求。
课程的特色：
1. 围绕“智能仪器硬件设计”这条主线，分别介绍了智能仪器的传感器基础、前向通道设计、微处理器系统设计、后向通道设计、供电和抗干扰设计等内容
2. 作为一本定位为应用基础类教材，本书对器件原理的介绍占用了大量的篇幅，例如，运放的电子学基础、ADC和DAC原理以及存储器的结构和原理等内容。
3. 教材的编写以内容的实用性为基本出发点，对于电路分析，重在解释其提出背景、作用和特点，至于所依据的公式一般均简化或直接给出，不做详细推导。另外，教材中援引了很多科研中总结的工程实例。
课程大纲
绪论
1.1绪论（上）
1.2绪论（下）
智能仪器的输入—传感器基础
2.1.1传感器的分类及原理（上）
2.1.2传感器的分类及原理（下）
2.1.3传感器的构成方式
2.2.1传感器的静态特性与建模
2.2.2多输入耦合传感器的静态特性建模
2.3.1传感器的动态特性
2.3.2传感器动态模型的参数辨识
智能仪器的前向通道—模拟信号调理电路设计
3.1.1运放电子学基础
3.1.2对电压和电流信号的调理电路I
3.1.3对电压和电流信号的调理电路II
3.1.4差分放大器
3.1.5电参数测量和自平衡电桥
3.1.6微小电容测量技术和通用阻抗的产生
3.1.7有源滤波器设计
3.2.1运放的静态非理想特性
3.2.2运放的动态性能限制
3.2.3运放的噪声
智能仪器的前向通道—ADC与DAC原理
4.1前向通道-ADC与DAC原理（上）
4.2前向通道—ADC与DAC的原理（下）
智能仪器的微处理器系统设计
5.1.1微处理器系统设计—数字电路基础
5.1.2微处理器系统设计—通用数字电路设计（上）
5.1.3微处理器系统设计—通用数字电路设计（下）
5.2.1微处理器系统设计—并行接口技术（上）
5.2.2微处理器系统设计—并行接口技术（下）
5.3微处理器系统设计—串行接口技术
智能仪器的后向通道设计
6.1智能仪器供电及功率放大技术
智能仪器的抗干扰和保护技术
7.1智能仪器的抗干扰和保护技术（上）
7.2智能仪器的抗干扰和保护技术（下）
仪器智能化
8.1仪器智能化概论
8.2.1滤波器设计基础
8.2.2智能仪器中的经典滤波器设计
8.2.3自适应滤波器设计
智能仪器静态特性非线性校正与补偿
9.1智能仪器静态特性非线性校正与补偿概论
9.3.1参数拟合建模法的模型
9.3.2最小二乘法
9.4.1神经网络函数逼近原理
9.4.2Matlab中神经网络训练与参数移植
9.2插值法
1.1绪论（上）
1.2绪论（下）
智能仪器的输入—传感器基础
2.1.1传感器的分类及原理（上）
2.1.2传感器的分类及原理（下）
2.1.3传感器的构成方式
2.2.1传感器的静态特性与建模
2.2.2多输入耦合传感器的静态特性建模
2.3.1传感器的动态特性
2.3.2传感器动态模型的参数辨识
智能仪器的前向通道—模拟信号调理电路设计
3.1.1运放电子学基础
3.1.2对电压和电流信号的调理电路I
3.1.3对电压和电流信号的调理电路II
3.1.4差分放大器
3.1.5电参数测量和自平衡电桥
3.1.6微小电容测量技术和通用阻抗的产生
3.1.7有源滤波器设计
3.2.1运放的静态非理想特性
3.2.2运放的动态性能限制
3.2.3运放的噪声
智能仪器的前向通道—ADC与DAC原理
4.1前向通道-ADC与DAC原理（上）
4.2前向通道—ADC与DAC的原理（下）
智能仪器的微处理器系统设计
5.1.1微处理器系统设计—数字电路基础
5.1.2微处理器系统设计—通用数字电路设计（上）
5.1.3微处理器系统设计—通用数字电路设计（下）
5.2.1微处理器系统设计—并行接口技术（上）
5.2.2微处理器系统设计—并行接口技术（下）
5.3微处理器系统设计—串行接口技术
智能仪器的后向通道设计
6.1智能仪器供电及功率放大技术
智能仪器的抗干扰和保护技术
7.1智能仪器的抗干扰和保护技术（上）
7.2智能仪器的抗干扰和保护技术（下）
仪器智能化
8.1仪器智能化概论
8.2.1滤波器设计基础
8.2.2智能仪器中的经典滤波器设计
8.2.3自适应滤波器设计
智能仪器静态特性非线性校正与补偿
9.1智能仪器静态特性非线性校正与补偿概论
9.3.1参数拟合建模法的模型
9.3.2最小二乘法
9.4.1神经网络函数逼近原理
9.4.2Matlab中神经网络训练与参数移植
9.2插值法