基于神经网络的棉纱质量预测模型
摘要 | 第4-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第10-17页 |
1.1 课题研究的背景及意义 | 第10-11页 |
1.2 课题研究领域的现状 | 第11-15页 |
1.3 纱线质量预测模型参数的选取 | 第15-16页 |
1.4 人工神经网络在纱线质量预测中的可行性 | 第16页 |
1.5 本课题研究的主要内容 | 第16-17页 |
第二章 特征指标的选择 | 第17-28页 |
2.1 原棉纤维指标 | 第17-20页 |
2.1.1 原棉纤维成熟度的概述 | 第17-18页 |
2.1.2 原棉长度的概述 | 第18-19页 |
2.1.3 原棉纤维细度概述 | 第19页 |
2.1.4 原棉纤维回潮率概述 | 第19页 |
2.1.5 原棉纤维强度概述 | 第19-20页 |
2.1.6 原棉纤维杂质指标概述 | 第20页 |
2.2 纱线质量指标 | 第20-25页 |
2.2.1 纱线强力 | 第20-22页 |
2.2.2 纱线条干 | 第22-25页 |
2.3 棉结 | 第25-27页 |
2.4 本章小结 | 第27-28页 |
第三章 BP神经网络及其优化算法的理论研究 | 第28-46页 |
3.1 人工神经网络 | 第28-30页 |
3.1.1 人工神经网络概述 | 第28页 |
3.1.2 人工神经网络特点 | 第28-29页 |
3.1.3 人工神经网络模型 | 第29-30页 |
3.2 BP神经网络 | 第30-32页 |
3.2.1 BP神经网络概述 | 第30页 |
3.2.2 BP神经网络模型 | 第30-32页 |
3.2.4 BP算法的限制与不足 | 第32页 |
3.3 粒子群算法 | 第32-37页 |
3.3.1 粒子群算法概述 | 第32-33页 |
3.3.2 粒子群算法的数学描述 | 第33-34页 |
3.3.3 粒子群算法流程 | 第34-35页 |
3.3.4 算法的优点和局限性 | 第35页 |
3.3.5 基于PSO的BP网络训练过程 | 第35-37页 |
3.4 思维进化算法 | 第37-41页 |
3.4.1 思维进化算法概述 | 第37-38页 |
3.4.2 思维进化算法术语: | 第38-39页 |
3.4.3 思维进化算法算法基本思路 | 第39页 |
3.4.4 思维进化算法的特点 | 第39-40页 |
3.4.5 基于MEA的BP网络设计步骤 | 第40-41页 |
3.5 极限学习机算法 | 第41-45页 |
3.5.1 极限学习机概述 | 第41-43页 |
3.5.2 极限学习机学习算法 | 第43-44页 |
3.5.3 极限学习机设计思路 | 第44-45页 |
3.5.4 极限学习机算法的优点 | 第45页 |
3.6 本章小结 | 第45-46页 |
第四章 神经网络预测结果与分析 | 第46-57页 |
4.1 实验准备 | 第46-47页 |
4.1.1 数据准备 | 第46页 |
4.1.2 实验环境 | 第46页 |
4.1.3 确定训练样本和测试样本 | 第46页 |
4.1.4 数据的预处理 | 第46-47页 |
4.2 模型参数的选择 | 第47-49页 |
4.2.1 单一BP预测模型参数的选择 | 第47页 |
4.2.2 PSO-BP预测模型参数的选择 | 第47-48页 |
4.2.3 MEA-BP预测模型参数的选择 | 第48页 |
4.2.4 ELM预测模型参数的选择 | 第48-49页 |
4.3 纱线强度的预测结果 | 第49-51页 |
4.4 纱线条干预测结果 | 第51-54页 |
4.5 纱线棉杂总数预测结果 | 第54-56页 |
4.6 本章小结 | 第56-57页 |
第五章 验证强关联性对成纱质量的影响 | 第57-66页 |
5.1 灰色关联理论 | 第57-58页 |
5.2 模型输入因子的选择 | 第58-64页 |
5.2.1 纱线强度 | 第58页 |
5.2.2 纱线条干 | 第58-59页 |
5.2.3 纱线棉杂总数 | 第59页 |
5.2.4 预测结果比较 | 第59-64页 |
5.3 本章小结 | 第64-66页 |
第六章 结论与展望 | 第66-68页 |
6.1 结论 | 第66页 |
6.2 展望 | 第66-68页 |
参考文献 | 第68-72页 |
作者攻读硕士学位期间发表的学术论文 | 第72-73页 |
致谢 | 第73-74页 |
附录 1 | 第74-78页 |
附录 2 部分MATLAB程序 | 第78-82页 |