基于正交矩原始值的激光焊点检测法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 放射性籽源焊接工序的生产过程及图像采集 | 第11-12页 |
| 1.3 课题的研究背景和意义 | 第12-13页 |
| 1.4 图像矩特征的研究现状 | 第13-14页 |
| 1.5 主要研究内容和结构安排 | 第14-18页 |
| 第2章 图像的矩特征 | 第18-36页 |
| 2.1 引言 | 第18-19页 |
| 2.2 非正交矩 | 第19-23页 |
| 2.2.1 几何矩 | 第19-20页 |
| 2.2.2 矩和图像的几何变换 | 第20-21页 |
| 2.2.3 HU 氏不变矩 | 第21-22页 |
| 2.2.4 旋转矩 | 第22页 |
| 2.2.5 复数矩 | 第22-23页 |
| 2.3 连续正交矩 | 第23-28页 |
| 2.3.1 勒让德矩 | 第23-24页 |
| 2.3.2 泽尼克矩 | 第24-26页 |
| 2.3.3 伪泽尼克矩 | 第26页 |
| 2.3.4 泛化的伪泽尼克矩 | 第26-27页 |
| 2.3.5 傅里叶—梅林矩 | 第27-28页 |
| 2.4 离散正交矩 | 第28-29页 |
| 2.4.1 切比雪夫矩 | 第28-29页 |
| 2.4.2 库罗丘克矩 | 第29页 |
| 2.5 几种正交矩的性能评价 | 第29-30页 |
| 2.6 矩特征分类的可行性分析 | 第30-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第3章 数据降维及实验 | 第36-48页 |
| 3.1 引言 | 第36页 |
| 3.2 主成分分析 | 第36-39页 |
| 3.3 基于核函数的主成分分析 | 第39-42页 |
| 3.4 数据降维实验及结果 | 第42-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 人工神经网络及焊点分类 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 人工神经网络基本理论 | 第48-51页 |
| 4.2.1 神经元模型 | 第48-49页 |
| 4.2.2 神经元中的激励模型 | 第49-50页 |
| 4.2.3 人工神经网络的学习方法 | 第50-51页 |
| 4.2.4 人工神经网络的基本类型 | 第51页 |
| 4.2.5 前向神经网络 | 第51页 |
| 4.3 BP 神经网络基本理论 | 第51-56页 |
| 4.3.1 BP 神经网络算法的数学描述 | 第52-54页 |
| 4.3.2 BP 神经网络算法的步骤及流程 | 第54-55页 |
| 4.3.3 BP 神经网络的不足及改进 | 第55-56页 |
| 4.4 RBF 神经网络的基本理论 | 第56-58页 |
| 4.4.1 RBF 神经网络算法描述 | 第56-58页 |
| 4.5 焊点分类实验及结果 | 第58-61页 |
| 4.5.1 BP 神经网络实验参数设置 | 第58页 |
| 4.5.2 RBF 神经网络实验参数设置 | 第58-59页 |
| 4.5.3 实验结果汇总 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 支持向量机及焊点分类 | 第62-76页 |
| 5.1 引言 | 第62页 |
| 5.2 支持向量机的原理及主要步骤 | 第62-65页 |
| 5.2.1 支持向量机的原理 | 第62-64页 |
| 5.2.2 支持向量机的训练和分类步骤 | 第64-65页 |
| 5.3 参数寻优 | 第65-69页 |
| 5.3.1 网格寻优法 | 第65页 |
| 5.3.2 遗传算法 | 第65-67页 |
| 5.3.3 粒子群算法 | 第67-69页 |
| 5.4 焊点分类实验及结果 | 第69-75页 |
| 5.4.1 寻优过程参数设置 | 第69-70页 |
| 5.4.2 实验结果汇总 | 第70-75页 |
| 5.5 本章小结 | 第75-76页 |
| 结论 | 第76-78页 |
| 一、本文的主要研究工作 | 第76页 |
| 二、课题展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的学术论文 | 第82-84页 |
| 致谢 | 第84页 |
