致谢 | 第1-5页 |
摘要 | 第5-6页 |
ABSTRACT | 第6-8页 |
目录 | 第8-10页 |
第一章 绪论 | 第10-19页 |
·家电壳体注塑成型研究背景及意义 | 第10-11页 |
·注塑成型及优化技术国内外研究现状 | 第11-15页 |
·注塑成型质量及预测研究现状 | 第11-12页 |
·注塑参数优化研究现状 | 第12-14页 |
·蚁群神经网络算法的研究现状 | 第14-15页 |
·本文的主要研究内容和技术路线 | 第15-18页 |
·论文的主要研究内容 | 第15-17页 |
·论文的技术路线 | 第17-18页 |
·本章小结 | 第18-19页 |
第二章 基于MoldFlow的注塑成型数值模拟 | 第19-29页 |
·数值模拟技术 | 第19-20页 |
·有限差分方法(FDM) | 第19页 |
·边界元方法(BEM) | 第19-20页 |
·有限元方法(FEM) | 第20页 |
·注塑成型数值模拟技术 | 第20-24页 |
·塑料成型模拟技术研究现状 | 第20-21页 |
·注塑模CAE技术 | 第21-22页 |
·数值模拟软件介绍 | 第22-24页 |
·基于MoldFlow的液晶电视后壳体成形过程仿真 | 第24-28页 |
·本章小结 | 第28-29页 |
第三章 基于实验方法的注塑成型工艺设计 | 第29-45页 |
·实验设计法 | 第29-30页 |
·正交试验设计 | 第29-30页 |
·均匀试验设计 | 第30页 |
·基于均匀实验的复合参数注塑工艺设计 | 第30-35页 |
·均匀设计与均匀设计表 | 第30-32页 |
·注塑成型质量评价参数确定 | 第32-33页 |
·均匀实验在复合参数注塑工艺设计中的应用 | 第33-35页 |
·基于SPSS的均匀实验数据分析 | 第35-44页 |
·回归分析相关理论基础 | 第35-37页 |
·回归方程的创建 | 第37-41页 |
·基于回归模型的因素影响因子分析 | 第41-42页 |
·基于回归模型的残差分析及预测结果评价 | 第42-44页 |
·本章小结 | 第44-45页 |
第四章 基于人工神经网络的翘曲预测模型构建 | 第45-58页 |
·人工神经网络的概述 | 第45-47页 |
·人工神经网络的原理 | 第45-46页 |
·人工神经网络的特点及应用 | 第46-47页 |
·BP人工神经网络理论 | 第47-49页 |
·翘曲预测的BP神经网络模型构建 | 第49-57页 |
·确定翘曲预测模型BP神经网络结构 | 第50页 |
·神经网络训练样本数据预处理 | 第50-51页 |
·分离训练样本与校验样本 | 第51页 |
·确定翘曲预测模型BP神经网络参数 | 第51-54页 |
·BP神经网络预测精度检验 | 第54-57页 |
·本章小结 | 第57-58页 |
第五章 蚁群神经网络(ACO-BPNN)的提出及实现 | 第58-71页 |
·蚁群算法概述 | 第58-62页 |
·蚁群算法的原理与机制 | 第58-60页 |
·蚁群算法的基本特点 | 第60页 |
·蚁群算法的实现 | 第60-62页 |
·蚁群算法参数选择原则 | 第62-64页 |
·信息启发式因子的选择 | 第63页 |
·期望启发式因子的选择 | 第63页 |
·信息素残留因子的选择 | 第63页 |
·信息素强度的选择 | 第63-64页 |
·蚂蚁数目的选择 | 第64页 |
·蚁群神经网络(ACO-BPNN) | 第64-70页 |
·蚁群神经网络的提出 | 第64-65页 |
·蚁群神经网络方法的实现 | 第65-68页 |
·蚁群神经网络的算法测试 | 第68-70页 |
·本章小结 | 第70-71页 |
第六章 蚁群神经网络在家电壳体成型预测中的应用 | 第71-80页 |
·样本数据构建 | 第71页 |
·ACO-BPNN结构和参数 | 第71-72页 |
·实验结果及分析 | 第72-79页 |
·ACO-BPNN与BPNN预测结果的数据对比 | 第73页 |
·ACO-BPNN与BPNN预测结果的图表对比 | 第73-77页 |
·ACO-BPNN在不同划分刻度的结果对比 | 第77-78页 |
·输出最优权值和阈值结果 | 第78-79页 |
·本章小结 | 第79-80页 |
第七章 总结与展望 | 第80-82页 |
·研究工作总结 | 第80-81页 |
·研究工作展望 | 第81-82页 |
参考文献 | 第82-86页 |
攻读硕士期间发表的论文 | 第86页 |