基于小波分析的控制图模式识别研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·主要研究内容与框架 | 第11-13页 |
| ·研究特色与创新之处 | 第13-14页 |
| 2 基于小波分析的控制图模式识别研究现状 | 第14-33页 |
| ·控制图模式识别的研究综述 | 第14-23页 |
| ·控制图及控制图模式 | 第14-19页 |
| ·控制图的研究进展 | 第19-20页 |
| ·控制图模式识别研究现状 | 第20-23页 |
| ·小波分析理论及应用现状 | 第23-27页 |
| ·小波分析的原理 | 第23-24页 |
| ·小波提取特征的算法 | 第24-26页 |
| ·小波分析的应用现状 | 第26-27页 |
| ·神经网络原理和应用概况 | 第27-33页 |
| ·神经网络的三要素 | 第27-29页 |
| ·BP神经网络算法 | 第29-31页 |
| ·神经网络的应用现状 | 第31-33页 |
| 3 基于小波分析的控制图模式识别模型 | 第33-43页 |
| ·基于小波分析的控制图模式识别 | 第33-35页 |
| ·DWNN控制图模式识别特点 | 第33页 |
| ·DWNN控制图模式识别模型 | 第33-35页 |
| ·提取特征小波函数的选择 | 第35-40页 |
| ·常用小波函数族 | 第35-37页 |
| ·控制图模式数据特征提取的要求 | 第37-40页 |
| ·识别模型神经网络的设计 | 第40-43页 |
| ·初始参数设定 | 第40-41页 |
| ·隐含层数的选择 | 第41页 |
| ·隐含层神经元的确定 | 第41-42页 |
| ·激活函数的确定 | 第42-43页 |
| 4 基于小波分析的识别模型实证分析 | 第43-59页 |
| ·控制图模式样本数据产生 | 第43-44页 |
| ·DWNN模型识别分析 | 第44-59页 |
| ·小波提取特征 | 第44-55页 |
| ·识别结果比较 | 第55-59页 |
| 5 结论与展望 | 第59-61页 |
| ·论文结论 | 第59-60页 |
| ·进一步展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录：论文中主要程序 | 第64-67页 |
| 个人简历、在校期间发表论文及科研成果 | 第67-68页 |
| 致谢 | 第68页 |
