基于支持向量机的线性轮廓图控制方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状综述 | 第9-12页 |
| 1.2.1 传统控制图研究现状 | 第9-10页 |
| 1.2.2 机器学习与轮廓图控制的结合 | 第10-12页 |
| 1.3 论文结构与研究内容 | 第12-13页 |
| 第二章 轮廓控制图的基本理论与方法 | 第13-25页 |
| 2.1 控制图的基本理论 | 第13-20页 |
| 2.1.1 控制图的基本原理 | 第13页 |
| 2.1.2 控制图的基本理论 | 第13-19页 |
| 2.1.3 控制图的统计意义 | 第19-20页 |
| 2.2 轮廓控制的基本理论 | 第20-21页 |
| 2.3 轮廓控制的统计意义 | 第21页 |
| 2.4 传统线性轮廓控制方法 | 第21-25页 |
| 2.4.1 线性回归模型 | 第21-22页 |
| 2.4.2 多元T 2控制图 | 第22页 |
| 2.4.3 EWMA/R 联合控制图 | 第22-23页 |
| 2.4.4 EWMA-3 联合控制图 | 第23-25页 |
| 第三章 机器学习理论及其应用 | 第25-38页 |
| 3.1 神经网络算法 | 第25-29页 |
| 3.1.1 神经网络算法的原理 | 第26-29页 |
| 3.1.2 基于神经网络的智能控制 | 第29页 |
| 3.2 支持向量机算法 | 第29-35页 |
| 3.2.1 支持向量机算法原理 | 第29-35页 |
| 3.2.2 支持向量机算法的应用 | 第35页 |
| 3.3 支持向量数据描述 | 第35-38页 |
| 3.3.1 支持向量数据描述理论 | 第35-37页 |
| 3.3.2 支持向量数据描述的应用 | 第37-38页 |
| 第四章 基于支持向量机的线性轮廓图控制模型 | 第38-43页 |
| 4.1 模型结构 | 第38-39页 |
| 4.2 训练过程 | 第39页 |
| 4.3 训练样本的生成方式 | 第39-40页 |
| 4.4 参数选择机制 | 第40-43页 |
| 4.4.1 SVM1&SVM2 的参数选择 | 第40-42页 |
| 4.4.2 SVDD 的参数选择 | 第42-43页 |
| 第五章 仿真结果分析 | 第43-54页 |
| 5.1 不同参数间控制方法性能分析 | 第44-48页 |
| 5.2 与基于神经网络控制方法的比较分析 | 第48-50页 |
| 5.3 与传统控制图方法的比较分析 | 第50-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 论文工作总结 | 第54-55页 |
| 6.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 发表论文和参加科研情况说明 | 第60-61页 |
| 致谢 | 第61页 |
