人工神经网络在高分子材料表面金属化工艺优化中的应用研究
| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第一章 前言 | 第14-30页 |
| ·复合材料概述 | 第14-16页 |
| ·复合材料的发展概况及趋势 | 第14-15页 |
| ·复合材料的应用 | 第15-16页 |
| ·复合材料种类 | 第16页 |
| ·高分子表面金属化概述 | 第16-19页 |
| ·高分子表面金属化方法的改进 | 第17页 |
| ·高分子表面金属化的新方法——化学还原法 | 第17-19页 |
| ·前景展望 | 第19页 |
| ·人工神经网络概述 | 第19-25页 |
| ·人工神经网络用于数据处理的必然性 | 第19-21页 |
| ·人工神经网络的基本概念与特征 | 第21-22页 |
| ·人工神经网络国内外发展概况 | 第22-24页 |
| ·人工神经网络的应用 | 第24-25页 |
| ·本研究的意义、内容和创新之处 | 第25-30页 |
| ·研究的意义 | 第25-26页 |
| ·研究的内容 | 第26页 |
| ·本文的创新之处 | 第26-30页 |
| ·表面金属化研究与人工神经网络相结合 | 第27-28页 |
| ·均匀设计方法 | 第28-30页 |
| 第二章 人工神经网络应用于材料设计 | 第30-37页 |
| ·生物神经元与材料设计中的变量 | 第30-31页 |
| ·权重与材料设计中各变量的关联 | 第31-33页 |
| ·神经元中的转换函数 | 第33-35页 |
| ·人工神经网络的分类 | 第35-36页 |
| ·人工神经网络中范例的分类 | 第36-37页 |
| 第三章 误差反向传播算法 | 第37-47页 |
| ·误差反向传播算法 | 第37-38页 |
| ·误差反向传播法学习的数学描述 | 第38-44页 |
| ·多层反向神经网络结构 | 第44-47页 |
| 第四章 表面金属化高分子材料的制备及其工艺研究 | 第47-72页 |
| ·实验部分 | 第47-49页 |
| ·主要试剂与仪器 | 第47页 |
| ·实验方法 | 第47-48页 |
| ·高分子材料表面金属化工艺的选择 | 第48-49页 |
| ·建立人工神经网络模型 | 第49-53页 |
| ·数据预处理方法的选择 | 第49-50页 |
| ·人工神经网络结构的选择 | 第50-51页 |
| ·人工神经网络参数的确定 | 第51-52页 |
| ·人工神经网络计算结果的准确性 | 第52-53页 |
| ·利用人工神经网络分析工艺中各因素的影响 | 第53-72页 |
| ·ABS树脂对电阻的影响 | 第53-58页 |
| ·其它因素为平均值时ABS树脂对电阻的影响 | 第53-54页 |
| ·不同金属盐水平下ABS树脂对电阻的影响 | 第54-56页 |
| ·还原条件不同时ABS树脂对电阻的影响 | 第56-58页 |
| ·金属盐对电阻的影响 | 第58-63页 |
| ·其它因素为平均值时金属盐对电阻的影响 | 第58-60页 |
| ·不同ABS树脂水平下金属盐对电阻的影响 | 第60-62页 |
| ·醋酸铅和氯化铜互相之间的影响 | 第62页 |
| ·还原条件不同时金属盐对电阻的影响 | 第62-63页 |
| ·还原剂NaBH_4溶液浓度对电阻的影响 | 第63-64页 |
| ·其它因素为平均值时还原剂浓度对电阻的影响 | 第63-64页 |
| ·不同还原温度时还原剂浓度对电阻的影响 | 第64页 |
| ·还原温度对电阻的影响 | 第64-68页 |
| ·其它因素为平均值时还原温度对电阻的影响 | 第65-66页 |
| ·不同金属盐水平下还原温度对电阻的影响 | 第66-68页 |
| ·还原时间对电阻的影响 | 第68-71页 |
| ·其它因素为平均值时还原时间对电阻的影响 | 第68-69页 |
| ·不同金属盐水平下还原时间对电阻的影响 | 第69-71页 |
| ·小结 | 第71-72页 |
| 第五章 结论与展望 | 第72-74页 |
| ·结论 | 第72页 |
| ·展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 硕士期间发表的文章及获奖情况 | 第79-80页 |
| 附录 | 第80-84页 |
| 研发软件使用报告 | 第84页 |
