| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1. 绪论 | 第9-16页 |
| 1.1 本文研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国内研究现状 | 第10-12页 |
| 1.2.2 国外研究现状 | 第12-14页 |
| 1.3 课题来源与论文的主要内容 | 第14-15页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 论文主要内容 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 2. 轴类零件校直工艺的理论基础 | 第16-32页 |
| 2.1 校直设备工作流程 | 第16-18页 |
| 2.2 轴类零件校直工艺概述 | 第18-21页 |
| 2.2.1 轴类零件的初始弯曲变形情况 | 第18-19页 |
| 2.2.2 轴类零件的自动检测过程及其原理 | 第19-21页 |
| 2.3 轴类零件校直工艺的理论 | 第21-31页 |
| 2.3.1 压点式反弯校直原理 | 第21-22页 |
| 2.3.2 反弯校直的基本问题 | 第22-24页 |
| 2.3.3 校直过程弯中应力、应变分析 | 第24-29页 |
| 2.3.4 校直行程计算问题的讨论 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3. 支持向量机的理论基础 | 第32-43页 |
| 3.1 统计学习理论概述 | 第32-35页 |
| 3.1.1 VC维 | 第33页 |
| 3.1.2 推广性的界 | 第33-34页 |
| 3.1.3 结构风险最小化原则 | 第34-35页 |
| 3.2 支持向量机的基本理论 | 第35-42页 |
| 3.2.1 最优分类面与广义最优分类面 | 第35-38页 |
| 3.2.2 支持向量机 | 第38-40页 |
| 3.2.3 核函数 | 第40-41页 |
| 3.2.4 支持向量机控制参数的优化 | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 4. 基于支持向量机的校直机工件弯曲量测量误差补偿 | 第43-52页 |
| 4.1 问题描述 | 第43页 |
| 4.2 校直机工件弯曲量测量误差分析与标定 | 第43-47页 |
| 4.3 构建测量误差回归模型 | 第47-48页 |
| 4.4 建模预测效果验证 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5. 基于支持向量机的工件下压量校直系统的建立 | 第52-69页 |
| 5.1 BP神经网络及其基本原理 | 第52-54页 |
| 5.2 神经网络的缺陷 | 第54-56页 |
| 5.3 样本数据的获取以及构建 | 第56-61页 |
| 5.4 基于MATLAB的支持向量机和神经网络预测模型的构建 | 第61-65页 |
| 5.4.1 基于MATLAB的支持向量机预测模型的构建 | 第61-63页 |
| 5.4.2 基于MATLAB的BP神经网络预测模型的构建 | 第63-65页 |
| 5.5 训练结果的仿真验证及其对比 | 第65-68页 |
| 5.6 本章小结 | 第68-69页 |
| 6. 总结与展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第77页 |
