| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 基于小波变换的信号处理 | 第11-12页 |
| 1.3 人工智能在板形模式识别中的应用 | 第12-14页 |
| 1.3.1 基于神经网络的板形模式识别 | 第12-13页 |
| 1.3.2 基于支持向量机的板形模式识别 | 第13-14页 |
| 1.4 本文研究的主要内容 | 第14-16页 |
| 第2章 板形信号的基本模式 | 第16-21页 |
| 2.1 引言 | 第16页 |
| 2.2 板形信号的表达式及示意图 | 第16-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 基于小波消噪和优化支持向量机的板形模式识别 | 第21-44页 |
| 3.1 引言 | 第21页 |
| 3.2 基于小波消噪的板形信号处理 | 第21-26页 |
| 3.2.1 小波消噪处理的基本原理 | 第21-22页 |
| 3.2.2 基于双变量阈值小波函数的板形去噪 | 第22-26页 |
| 3.3 基于优化支持向量机的板形模式识别模型的建立 | 第26-30页 |
| 3.3.1 基于SVM的板形模式识别模型建立 | 第26-28页 |
| 3.3.2 基于布谷鸟优化算法优化支持向量机的步骤 | 第28-30页 |
| 3.4 基于经典优化算法优化支持向量机的步骤 | 第30-33页 |
| 3.4.1 基于粒子群算法优化支持向量机的步骤 | 第30-31页 |
| 3.4.2 基于遗传算法优化支持向量机的步骤 | 第31-32页 |
| 3.4.3 基于网格搜索算法优化支持向量机的步骤 | 第32-33页 |
| 3.5 仿真研究 | 第33-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于优化终端滑模模糊神经网络的板形模式识别 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 基于自适应阈值小波消噪的板形信号处理 | 第44-46页 |
| 4.3 基于优化TSMFNN的板形识别模型的建立 | 第46-49页 |
| 4.3.1 基于TSMFNN的板形识别模型的建立 | 第46-48页 |
| 4.3.2 基于布谷鸟搜索算法优化TSMFNN | 第48-49页 |
| 4.4 基于RBF网络的板形模式识别 | 第49-51页 |
| 4.5 仿真研究 | 第51-55页 |
| 4.6 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第61-62页 |
| 致谢 | 第62页 |
