| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第15-26页 |
| 1.1 课题背景 | 第15-16页 |
| 1.2 研究目的和意义 | 第16页 |
| 1.3 国内外研究现状及发展趋势 | 第16-24页 |
| 1.3.1 木材热改性国内外研究现状及发展趋势 | 第16-19页 |
| 1.3.2 神经网络的研究现状及其应用 | 第19-22页 |
| 1.3.3 支持向量机的研究现状及其应用 | 第22-24页 |
| 1.4 研究内容和创新点 | 第24-26页 |
| 1.4.1 研究内容 | 第24-25页 |
| 1.4.2 创新点 | 第25-26页 |
| 2 高温高压蒸汽改性工艺条件对木材力学性能的影响 | 第26-44页 |
| 2.1 材料与方法 | 第26-30页 |
| 2.1.1 试验材料 | 第26页 |
| 2.1.2 试验仪器与设备 | 第26-27页 |
| 2.1.3 试验方法 | 第27-30页 |
| 2.2 结果与分析 | 第30-43页 |
| 2.2.1 热改性工艺条件对顺纹抗压强度的影响 | 第31-34页 |
| 2.2.2 热改性工艺条件对抗弯强度的影响 | 第34-36页 |
| 2.2.3 热改性工艺条件对抗弯弹性模量的影响 | 第36-39页 |
| 2.2.4 热改性工艺条件对硬度的影响 | 第39-43页 |
| 2.3 本章小结 | 第43-44页 |
| 3 基于神经网络的高温高压蒸汽改性木材的力学性能预测模型 | 第44-72页 |
| 3.1 人工神经网络模型及学习方法 | 第44-47页 |
| 3.1.1 人工神经元的数学模型及其特性 | 第44-45页 |
| 3.1.2 人工神经网络模型 | 第45-47页 |
| 3.1.3 人工神经网络学习方法 | 第47页 |
| 3.2 BP神经网络 | 第47-52页 |
| 3.2.1 BP神经网络的学习算法及改进 | 第47-51页 |
| 3.2.2 BP神经网络的的设计及训练参数的选取 | 第51-52页 |
| 3.3 RBF神经网络 | 第52-55页 |
| 3.3.1 RBF神经网络的基本结构 | 第52-53页 |
| 3.3.2 RBF神经网络的学习算法及改进 | 第53-55页 |
| 3.3.3 RBF神经网络与BP神经网络对比相关问题分析 | 第55页 |
| 3.4 MATLAB软件与神经网络工具箱 | 第55-56页 |
| 3.4.1 神经网络工具箱中的通用函数 | 第55-56页 |
| 3.5 BP神经网络预测模型建立与检测 | 第56-63页 |
| 3.5.1 BP网络的结构设计 | 第57-58页 |
| 3.5.2 BP网络的参数设计 | 第58-59页 |
| 3.5.3 BP网络预测模型的训练与测试 | 第59-63页 |
| 3.6 RBF神经网络预测模型建立与检测 | 第63-68页 |
| 3.6.1 RBF网络的结构与参数设计 | 第64页 |
| 3.6.2 RBF网络预测模型的训练与测试 | 第64-67页 |
| 3.6.3 BP与RBF神经网络性能总结 | 第67-68页 |
| 3.7 木材热改性逆模型对工艺参数的优化和分析 | 第68-70页 |
| 3.8 本章小结 | 第70-72页 |
| 4 基于支持向量机的高温高压蒸汽改性木材的力学性能预测模型 | 第72-93页 |
| 4.1 统计学习理论 | 第72-76页 |
| 4.1.1 VC维理论 | 第72-73页 |
| 4.1.2 经验风险极小化原理 | 第73-74页 |
| 4.1.3 结构风险极小化原理 | 第74-76页 |
| 4.2 支持向量机算法 | 第76-80页 |
| 4.2.1 最优超平面 | 第76-78页 |
| 4.2.2 支持向量机的改进算法 | 第78-80页 |
| 4.3 SVR思想 | 第80-83页 |
| 4.3.1 ε不敏感损失函数 | 第80-81页 |
| 4.3.2 ε-支持向量回归机 | 第81-82页 |
| 4.3.3 v-支持向量回归机 | 第82页 |
| 4.3.4 支持向量机的核函数 | 第82-83页 |
| 4.4 支持向量机的模型选择 | 第83页 |
| 4.5 LIBSVM工具箱 | 第83-84页 |
| 4.6 支持向量机预测模型建立与检测 | 第84-91页 |
| 4.6.1 支持向量机模型建立的设计流程 | 第84-85页 |
| 4.6.2 支持向量机参数设计 | 第85-86页 |
| 4.6.3 支持向量机预测模型训练与测试 | 第86-91页 |
| 4.7 BPNN、RBFNN与SVM预测模型性能比较 | 第91-92页 |
| 4.8 本章小结 | 第92-93页 |
| 5 基于支持向量机的预测模型在智能控制系统中的仿真与实现 | 第93-103页 |
| 5.1 预测控制系统总体结构设计 | 第93-95页 |
| 5.1.1 预测控制系统中控制过程 | 第93-94页 |
| 5.1.2 预测控制系统结构设计 | 第94-95页 |
| 5.2 预测模型在控制系统中的实现方案 | 第95-100页 |
| 5.2.1 计算机与PLC之间的通信 | 第95-96页 |
| 5.2.2 计算机控制软件与MATLAB之间的通信 | 第96页 |
| 5.2.3 预测模型在控制系统中的实现 | 第96-100页 |
| 5.3 预测控制系统界面 | 第100-102页 |
| 5.4 本章小结 | 第102-103页 |
| 结论 | 第103-105页 |
| 参考文献 | 第105-112页 |
| 攻读学位期间发表的学术论文 | 第112-113页 |
| 致谢 | 第113-115页 |
| 东北林业大学博士学位论文修改情况确认表 | 第115-116页 |
