基于人工神经网络的超声振动铣削光学玻璃表面粗糙度预测模型研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-18页 |
| ·光学玻璃概论 | 第10-14页 |
| ·光学玻璃应用与发展 | 第10-12页 |
| ·光学玻璃加工技术现状 | 第12-14页 |
| ·表面粗糙度预测模型研究现状 | 第14-16页 |
| ·表面粗糙度预测模型研究现状 | 第14-16页 |
| ·表面粗糙度预测存在的问题 | 第16页 |
| ·本课题研究内容 | 第16-18页 |
| 2.表面粗糙度预测模型理论 | 第18-30页 |
| ·超声振动铣削加工表面粗糙度 | 第18-21页 |
| ·表面粗糙度理论 | 第18-19页 |
| ·超声振动铣削加工表面粗糙度 | 第19-21页 |
| ·BP 神经网络表面粗糙度预测模型理论 | 第21-28页 |
| ·人工神经网络概述 | 第21-24页 |
| ·BP 神经网络表面粗糙度预测模型算法及算法实现 | 第24-27页 |
| ·BP 神经网络在铣削表面粗糙度预测中的应用 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 3.试验设计及表面粗糙度影响因素试验研究 | 第30-42页 |
| ·试验设计基础 | 第30-34页 |
| ·试验设计方法简介 | 第30-31页 |
| ·正交设计 | 第31-32页 |
| ·实验方案 | 第32-34页 |
| ·试验系统 | 第34-37页 |
| ·表面粗糙度影响因素试验研究 | 第37-40页 |
| ·主轴转速对表面粗糙度的影响 | 第37-38页 |
| ·每齿进给量对表面粗糙度的影响 | 第38-39页 |
| ·切削深度对表面粗糙度的影响 | 第39页 |
| ·超声振动频率及振幅对表面粗糙度的影响 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 4.试验数据处理及模型建立 | 第42-62页 |
| ·BP 神经网络的改进 | 第42-47页 |
| ·BP 算法的不足与改进 | 第42-44页 |
| ·BP 神经网络隐层节点的构造 | 第44-47页 |
| ·BP 神经网络模型总体结构构建 | 第47-48页 |
| ·BP 神经网络层数的设计 | 第47页 |
| ·BP 神经网络各层节点的确定 | 第47-48页 |
| ·BP 神经网络传递函数选取 | 第48页 |
| ·BP 神经网络模型训练 | 第48-53页 |
| ·BP 神经网络模型训练样本数据采集 | 第48-50页 |
| ·训练样本数据预处理 | 第50-51页 |
| ·BP 神经网络训练 | 第51-53页 |
| ·BP 神经网络预测模型的确立及验证 | 第53-56页 |
| ·BP 神经网络模型的确立及误差计算 | 第53-54页 |
| ·网络验证 | 第54-56页 |
| ·粗糙度预测非线性回归模型的确立 | 第56-59页 |
| ·建立非线性回归模型 | 第56-57页 |
| ·样本采集 | 第57-58页 |
| ·非线性回归模型的确立 | 第58-59页 |
| ·对比分析 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 5 总结与展望 | 第62-64页 |
| ·工作总结 | 第62页 |
| ·工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70页 |
