| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| §1-1 OKP 生产模式的实质和研究热点 | 第8-9页 |
| §1-2 RBF 神经网络的特点及研究热点 | 第9-10页 |
| §1-3 OKP 生产模式中存在的变型零件生产提前期问题及解决方法 | 第10-11页 |
| §1-4 本论文拟研究的主要内容和意义 | 第11-13页 |
| 第二章 OKP 生产模式基础理论 | 第13-19页 |
| §2-1 OKP 生产模式的产生 | 第13-16页 |
| 2-1-1 制造业生产模式分类的探索过程 | 第13-15页 |
| 2-1-2 OKP 生产模式的产生 | 第15-16页 |
| §2-2 OKP 的实质和特点 | 第16-17页 |
| §2-3 OKP 生产模式是制造企业信息化发展的必然趋势 | 第17-18页 |
| 小结 | 第18-19页 |
| 第三章 变型零件生产提前期的估算问题 | 第19-24页 |
| §3-1 生产提前期估算问题 | 第19-21页 |
| 3-1-1 MRP 提前期设置过程中存在的问题 | 第19-20页 |
| 3-1-2 批量和提前期设置不当所引起的问题 | 第20-21页 |
| §3-2 生产提前期估算问题的解决方案 | 第21-22页 |
| 小结 | 第22-24页 |
| 第四章 RBF 神经网络 | 第24-37页 |
| §4-1 神经网络——解决提前期估算问题的理想工具 | 第24-27页 |
| 4-1-1 专家系统的特点 | 第24-25页 |
| 4-1-2 遗传算法的特点 | 第25-26页 |
| 4-1-3 神经网络 | 第26-27页 |
| §4-2 适用于提前期估算问题的基本人工神经网络类型 | 第27-30页 |
| 4-2-1 工业应用中常用的基本人工神经网络类型 | 第27-29页 |
| 4-2-2 变型件提前期估算问题的解决——BP 网络与RBF 网络的比较 | 第29-30页 |
| §4-3 RBF 神经网络 | 第30-36页 |
| 4-3-1 RBF 网络学习过程 | 第31-32页 |
| 4-3-2 RBF 神经网络的学习思想 | 第32-33页 |
| 4-3-3 主要的RBF 学习方法 | 第33-35页 |
| 4-3-4 解决变型零件生产提前期估算问题时各算法的优劣 | 第35-36页 |
| 小结 | 第36-37页 |
| 第五章 基于改进 K—MEANS 聚类算法的 RBF 网络学习方法 | 第37-45页 |
| §5-1 K—均值聚类算法及其面临的主要问题 | 第37-39页 |
| 5-1-1 K-均值聚类算法简介 | 第37-38页 |
| 5-1-2 K-均值聚类算法面临的主要问题 | 第38-39页 |
| §5-2 K-MEANS 算法的初值依赖性及其改进算法 | 第39-41页 |
| 5-2-1 K-means 算法的初值依赖性 | 第39-40页 |
| 5-2-2 改进型k-means 算法 | 第40-41页 |
| §5-3 基于改进型K-MEANS算法的RBF 网络学习算法 | 第41-44页 |
| 小结 | 第44-45页 |
| 第六章 基于 K-MEANS 算法的 RBF 网络解决变型件生产提前期估算问题 | 第45-60页 |
| §6-1“变型零件生产提前期估算系统”概要设计方案 | 第45-58页 |
| §6-2“变型零件生产提前期估算系统”估算模块的实际应用效果 | 第58-59页 |
| 小结 | 第59-60页 |
| 第七章 结论 | 第60-62页 |
| §7-1 全文总结 | 第60页 |
| §7-2 进一步研究的展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 附录 A | 第64-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间所取得的相关科研成果 | 第67页 |
