| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·课题背景及研究意义 | 第11-12页 |
| ·机械产品设计缺陷辨识的研究概况 | 第12-14页 |
| ·高速机车车轴设计研究概况 | 第12-13页 |
| ·汽车保险杠设计研究概况 | 第13-14页 |
| ·支持向量机的研究与发展 | 第14-15页 |
| ·神经网络的研究现状 | 第15-16页 |
| ·本论文研究的主要内容 | 第16-17页 |
| ·支持向量机理论及参数选择算法研究 | 第16页 |
| ·基于支持向量机的机车车轴设计缺陷辨识 | 第16页 |
| ·基于 BP 神经网络的汽车保险杠设计缺陷辨识 | 第16-17页 |
| ·基于参数约束关系的设计缺陷辨识模型 | 第17页 |
| ·本章小结 | 第17-18页 |
| 第二章 支持向量机参数选择算法研究 | 第18-30页 |
| ·支持向量机理论基础及基本算法 | 第18-25页 |
| ·机器学习的基本问题与统计学习理论 | 第18-21页 |
| ·支持向量机基本算法 | 第21-25页 |
| ·支持向量机参数选择算法研究 | 第25-29页 |
| ·算法流程 | 第26-27页 |
| ·数据实验及结果分析 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于支持向量机的机车车轴设计缺陷辨识 | 第30-40页 |
| ·机车车轴损坏及破坏形式 | 第30-31页 |
| ·基于 SVM 的机车车轴设计缺陷辨识模型 | 第31-33页 |
| ·缺陷辨识模型输入层设计 | 第31页 |
| ·缺陷辨识模型输出层设计 | 第31页 |
| ·加权 SVM 参数缺陷辨识算法 | 第31-33页 |
| ·样本数据预处理 | 第33-36页 |
| ·样本加权权值确定 | 第34-35页 |
| ·基于信息增益法特征权值确定 | 第35-36页 |
| ·缺陷辨识结果及分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于 BP 神经网络的汽车保险杠设计缺陷辨识 | 第40-54页 |
| ·人工神经网络及 BP 算法 | 第40-43页 |
| ·神经元模型 | 第40-41页 |
| ·BP 神经网络 | 第41-43页 |
| ·汽车保险杠设计参数 | 第43-47页 |
| ·保险杠结构参数 | 第43-45页 |
| ·保险杠材料参数 | 第45-46页 |
| ·保险杠工艺参数 | 第46-47页 |
| ·BP 神经网络模型建立 | 第47-50页 |
| ·样本数据预处理 | 第48页 |
| ·BP 神经网络各层神经元节点数设计 | 第48-49页 |
| ·BP 神经网络参数选择 | 第49-50页 |
| ·缺陷辨识结果及分析 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 基于参数约束关系的设计缺陷辨识模型 | 第54-68页 |
| ·机械产品设计参数约束类型 | 第54-56页 |
| ·机械产品设计参数灵敏度 | 第56-58页 |
| ·基于参数约束关系的轴套设计缺陷辨识模型 | 第58-62页 |
| ·轴套装配形式 | 第58-59页 |
| ·轴套设计参数约束关系 | 第59-61页 |
| ·模型输入输出设置 | 第61-62页 |
| ·一类神经网络改进算法 | 第62-63页 |
| ·缺陷辨识结果分析 | 第63-67页 |
| ·网络训练及结果分析 | 第63-66页 |
| ·参数灵敏度计算 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第六章 论文的总结与展望 | 第68-70页 |
| ·论文的总结 | 第68-69页 |
| ·论文的展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻硕期间取得的研究成果 | 第75-76页 |