| 第1章 绪论 | 第7-18页 |
| 1.1 神经网络的研究与发展 | 第7-9页 |
| 1.2 小波理论的研究与进展 | 第9-11页 |
| 1.3 小波与神经网络的结合 | 第11页 |
| 1.4 计算智能在振动钻削中的应用 | 第11-16页 |
| 1.4.1 什么是计算智能 | 第12-13页 |
| 1.4.2 计算智能在机械加工领域的主要应用 | 第13-15页 |
| 1.4.3 计算智能在钻削加工中的应用 | 第15-16页 |
| 1.5 本文主要的研究内容 | 第16-18页 |
| 第2章 神经网络与小波理论 | 第18-28页 |
| 2.1 神经网络的基本理论 | 第18-21页 |
| 2.1.1 神经元模型 | 第18页 |
| 2.1.2 神经元状态转换函数的类型 | 第18-20页 |
| 2.1.3 神经网络结构及工作方式 | 第20-21页 |
| 2.1.4 神经网络的学习方式 | 第21页 |
| 2.2 神经网络的应用领域与研究方向 | 第21-22页 |
| 2.2.1 神经网络的应用领域 | 第21-22页 |
| 2.2.2 神经网络的研究方向 | 第22页 |
| 2.3 小波理论 | 第22-26页 |
| 2.3.1 小波的定义及特点 | 第22-23页 |
| 2.3.2 连续小波基函数的定义及定量分析 | 第23-24页 |
| 2.3.3 框架和Riesz基 | 第24-25页 |
| 2.3.4 小波分解 | 第25-26页 |
| 2.4 小波的应用领域及发展方向 | 第26-28页 |
| 第3章 变参数振动钻削过程神经网络建模 | 第28-36页 |
| 3.1 样本的组织 | 第28-29页 |
| 3.2 网络结构设计 | 第29-31页 |
| 3.3 网络训练的性能优化算法 | 第31-36页 |
| 第4章 小波神经网络结构与改进算法 | 第36-53页 |
| 4.1 引言 | 第36页 |
| 4.2 小波神经网络的结构 | 第36-37页 |
| 4.3 小波神经网络初始化 | 第37-39页 |
| 4.4 基于灰色理论关联分析法的输入参数选取 | 第39-42页 |
| 4.5 小波神经网络基本算法 | 第42-45页 |
| 4.6 基于局部学习的共轭梯度算法 | 第45-46页 |
| 4.7 改进算法(LCG)性能分析 | 第46-50页 |
| 4.8 小波神经网络与常规神经网络的比较 | 第50-53页 |
| 4.8.1 小波函数和sigmoid函数比较 | 第50-51页 |
| 4.8.2 小波神经网络与传统的BP网络比较 | 第51-53页 |
| 第5章 基于小波神经网络的交参数振动钻削实验研究 | 第53-73页 |
| 5.1 变参数振动钻削实验 | 第53-56页 |
| 5.1.1 钻入区段入钻定位误差实验 | 第53-55页 |
| 5.1.2 钻中区段孔扩量的测量与评价 | 第55页 |
| 5.1.3 钻出区段出口毛刺高度的测量与评价 | 第55-56页 |
| 5.2 基于小波神经网络的振动钻削过程仿真 | 第56页 |
| 5.2.1 数据处理 | 第56页 |
| 5.2.2 数据预处理 | 第56页 |
| 5.3 基于局部学习的共轭梯度小波神经网络振动钻削过程仿真 | 第56-69页 |
| 5.4 参数优化 | 第69-71页 |
| 5.5 基于小波神经网络的振动钻削质量预报及分析 | 第71-73页 |
| 第6章 结束语 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
| 学位论文摘要 | 第81-84页 |
| Abstract | 第84页 |