中文摘要 | 第1-5页 |
Abstact | 第5-10页 |
第1章 绪论 | 第10-18页 |
1.1 引言 | 第10-12页 |
1.2 板材成形智能化研究现状及国内外发展趋势 | 第12-14页 |
1.3 基于Rough集理论的板材成形智能化控制神经网络识别模型研究 | 第14-16页 |
1.3.1 基本概念 | 第14-15页 |
1.3.2 约简基本原理 | 第15页 |
1.3.3 现状和趋势 | 第15-16页 |
1.4 选题意义及主要研究内容 | 第16-18页 |
第2章 Rough集理论与神经网络拓扑优化 | 第18-35页 |
2.1 Rough集理论基本概念 | 第18-20页 |
2.2 数据约简简介 | 第20-21页 |
2.3 Rough集理论与神经网络的结合 | 第21-29页 |
2.3.1 人工神经网络技术简介 | 第21页 |
2.3.2 人工神经网络的特点 | 第21-22页 |
2.3.3 人工神经网络的发展及主要类型 | 第22-25页 |
2.3.4 编程语言的特点 | 第25-27页 |
2.3.5 程序设计关键部分 | 第27-29页 |
2.4 锥形件拉深的训练结果 | 第29-31页 |
2.5 盒形件拉深的训练结果 | 第31-33页 |
2.6 讨论 | 第33-34页 |
2.7 本章小结 | 第34-35页 |
第3章 并行微元神经网络 | 第35-50页 |
3.1 引言 | 第35页 |
3.2 并行微元神经网络 | 第35-36页 |
3.3 V型弯曲并行微元神经网络模型 | 第36-42页 |
3.3.1 网络输入输出层设计 | 第36-38页 |
3.3.2 编程 | 第38-39页 |
3.3.3 弯曲神经网络优化分析 | 第39-42页 |
3.4 原来的神经网络模型的识别结果 | 第42-43页 |
3.5 非样本数据的预测结果(泛化能力) | 第43-44页 |
3.6 Rosetta软件使用介绍 | 第44-47页 |
3.6.1 简介 | 第44-45页 |
3.6.2 应用举例 | 第45-47页 |
3.7 其他软件简介 | 第47-49页 |
3.8 本章小结 | 第49-50页 |
第4章 泛化预测的研究 | 第50-63页 |
4.1 样本数据的影响 | 第50-51页 |
4.2 盒形件泛化 | 第51-56页 |
4.3 锥形拉深件的泛化结果 | 第56页 |
4.4 盒形件拉深预测结果 | 第56-57页 |
4.5 弯曲预测结果 | 第57-61页 |
4.5.1 SPCC钢板的预测结果 | 第57-58页 |
4.5.2 弯曲其他材料的预测结果 | 第58-61页 |
4.6 数据处理的方法:混沌数据和奇异数据的处理 | 第61-62页 |
4.6.1 混沌数据的处理 | 第61页 |
4.6.2 奇异数据的处理 | 第61-62页 |
4.7 本章小结 | 第62-63页 |
第5章 实验系统和实验研究 | 第63-70页 |
5.1 引言 | 第63页 |
5.2 智能拉深系统 | 第63-65页 |
5.3 材料性能参数采集实验 | 第65-66页 |
5.4 弯曲实验系统 | 第66-69页 |
5.5 本章小结 | 第69-70页 |
结论 | 第70-71页 |
参考文献 | 第71-75页 |
攻读硕士学位期间承担的科研任务与主要成果 | 第75-76页 |
致谢 | 第76-77页 |
作者简介 | 第77页 |