| ACKNOWLEDGEMENTS | 第5-6页 |
| Abstract | 第6-8页 |
| Contents | 第9-13页 |
| Tables | 第13-16页 |
| Fiugres | 第16-19页 |
| 1 Introduction | 第19-23页 |
| 1.1 Motivation | 第19-20页 |
| 1.2 Objective | 第20-21页 |
| 1.3 Outline | 第21-22页 |
| References | 第22-23页 |
| 2 Literature review | 第23-52页 |
| 2.1 Introduction | 第23页 |
| 2.2 Operating principle of draw frame | 第23-32页 |
| 2.2.1 Operating devices | 第25页 |
| 2.2.2. Requirement of drafting arrangement | 第25-26页 |
| 2.2.3 Element of drafting arrangement | 第26-28页 |
| 2.2.4 Drafting arrangement | 第28-29页 |
| 2.2.5 Influences on the draft | 第29页 |
| 2.2.6 Monitoring and Autolevelling | 第29-32页 |
| 2.3 Overview of research on the draw frame | 第32-48页 |
| 2.3.1 Ideal drafting | 第32-34页 |
| 2.3.2 The theory of floating fibres | 第34-35页 |
| 2.3.3 Division of the total draft into sectional drafts | 第35-39页 |
| 2.3.4 The theory of drafting force | 第39-40页 |
| 2.3.5 Research on the Drafting force | 第40-42页 |
| 2.3.6 Drafting process parameters | 第42-43页 |
| 2.3.7 Sliver unevenness | 第43-47页 |
| 2.3.8 Minimum irregularity and index of irregularity | 第47-48页 |
| References | 第48-52页 |
| 3 Effect of drafting process parameters on the drafting force and sliverunevenness | 第52-70页 |
| 3.1 Introduction | 第52页 |
| 3.2 Methods | 第52-58页 |
| 3.3 Linear regression | 第58-59页 |
| 3.4 Experimental procedure | 第59-63页 |
| 3.5 Results and Discussions | 第63-68页 |
| 3.6 Conclusion | 第68页 |
| References | 第68-70页 |
| 4 Performance improvement prediction accuracy of drafting force andsliver unevenness using neural networks models | 第70-114页 |
| 4.1 Multilayer Perceptron Neural network | 第70-80页 |
| 4.1.1 The Multilayer Perceptron Neural Network Model | 第71-72页 |
| 4.1.2 Training Multilayer Perceptron Networks | 第72-74页 |
| 4.1.3 Experiment and results | 第74-80页 |
| 4.2 Radial Basis Function neural networks | 第80-87页 |
| 4.2.1 RBF Network Architecture | 第80-81页 |
| 4.2.2 Training RBF Networks | 第81-82页 |
| 4.2.3 Experiment and results | 第82-87页 |
| 4.3 GMDH polynomial networks | 第87-92页 |
| 4.3.1 Structure of GMDH network | 第87-89页 |
| 4.3.2 GMDH Training Algorithm | 第89页 |
| 4.3.3 Experiment and results | 第89-92页 |
| 4.4 General Regression Neural networks | 第92-100页 |
| 4.4.1 Architecture of a PNN/GRNN Network | 第93-94页 |
| 4.4.2 GRNN training Algorithm | 第94-96页 |
| 4.4.3 Experiment and results | 第96-100页 |
| 4.5 Cascade Correlation Neural Networks | 第100-108页 |
| 4.5.1 Cascade Correlation Network Architecture | 第100-101页 |
| 4.5.2 Training Algorithm for Cascade Correlation Networks | 第101-103页 |
| 4.5.3 Experiment and results | 第103-108页 |
| 4.6 Comparison of all the predictions models | 第108-110页 |
| 4.7 Conclusion | 第110-111页 |
| References | 第111-114页 |
| 5 Using Genetic Programming to forecast drafting force | 第114-127页 |
| 5.1 Introduction | 第114页 |
| 5.2 Advantages of GP | 第114-115页 |
| 5.3 Basic considerations | 第115-116页 |
| 5.4 Solving problems with GP | 第116-123页 |
| 5.5 Implementations | 第123页 |
| 5.6 Experimental results and discussions | 第123-125页 |
| 5.7 Conclusion | 第125页 |
| References | 第125-127页 |
| 6 Relationship between drafting force and sliver unevenness | 第127-135页 |
| 6.1 Introduction | 第127页 |
| 6.2 Methods | 第127-131页 |
| 6.3 Data analysis | 第131-133页 |
| 6.4 Conclusion | 第133-134页 |
| References | 第134-135页 |
| 7 Application of neural networks to visual inspection of drafting force | 第135-141页 |
| 7.1 Introduction | 第135页 |
| 7.2 Time series | 第135-136页 |
| 7.3 GRNN | 第136-137页 |
| 7.4 Experiments results and discussions | 第137-139页 |
| 7.5 Conclusion | 第139页 |
| References | 第139-141页 |
| 8 Conclusions and Recommendations | 第141-144页 |
| 8.1 Conclusion | 第141-143页 |
| 8.2 Recommendations | 第143-144页 |
| Appendix | 第144-162页 |
| List of Publications | 第162页 |
