| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 本文研究目的及意义 | 第11页 |
| 1.2 机器学习方法及其应用 | 第11-12页 |
| 1.3 位移元有限元应力解改善的研究现状 | 第12-14页 |
| 1.3.1 经典改善方法 | 第12-14页 |
| 1.3.2 机器学习方法 | 第14页 |
| 1.4 本文研究内容 | 第14-16页 |
| 第二章 研究模型及其样本生成 | 第16-23页 |
| 2.1 力学模型及其理论解 | 第16-17页 |
| 2.1.1 力学模型 | 第16页 |
| 2.1.2 理论解 | 第16-17页 |
| 2.2 有限元模型 | 第17-19页 |
| 2.3 样本及测试点数据的生成 | 第19-20页 |
| 2.4 样本计算结果及分析 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于BP神经网络的应力解改善 | 第23-36页 |
| 3.1 BP神经网络概述 | 第23-24页 |
| 3.2 基于Matlab的BP网络结构设计 | 第24-26页 |
| 3.2.1 隐含层神经元个数的确定 | 第24-25页 |
| 3.2.2 传递函数的选择 | 第25-26页 |
| 3.2.3 训练函数的选择 | 第26页 |
| 3.2.4 学习速率的选取 | 第26页 |
| 3.3 网络学习 | 第26-27页 |
| 3.4 四个BP网络下的角结点应力解改善结果及分析 | 第27-31页 |
| 3.4.1 4结点模型 | 第27-29页 |
| 3.4.2 8结点模型 | 第29-30页 |
| 3.4.3 4结点模型与8结点模型的对比 | 第30-31页 |
| 3.5 与经典整体应力改善结果的比较 | 第31-35页 |
| 3.5.1 4结点模型 | 第31-33页 |
| 3.5.2 8结点模型 | 第33-35页 |
| 3.6 本章小节 | 第35-36页 |
| 第四章 基于支持向量机的应力解改善 | 第36-44页 |
| 4.1 SVM简介 | 第36页 |
| 4.2 基于Matlab的SVM模型建立 | 第36-37页 |
| 4.2.1 LIBSVM工具箱介绍 | 第36-37页 |
| 4.2.2 SVM模型的创建及训练 | 第37页 |
| 4.3 应力改善解的计算结果及分析 | 第37-38页 |
| 4.4 SVM改善结果及其与经典整体的比较 | 第38-43页 |
| 4.4.1 4结点模型 | 第38-40页 |
| 4.4.2 8结点模型 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 基于高斯过程回归的应力解改善 | 第44-55页 |
| 5.1 GPR简介 | 第44-45页 |
| 5.2 基于Matlab的GPR模型建立 | 第45-46页 |
| 5.3 应力改善解的计算结果及分析 | 第46页 |
| 5.4 全局应力解改善结果及其与经典整体的比较 | 第46-51页 |
| 5.4.1 4结点模型 | 第46-49页 |
| 5.4.2 8结点模型 | 第49-51页 |
| 5.5 局部应力解改善结果及与经典分片的比较 | 第51-54页 |
| 5.5.1 4结点模型 | 第52-53页 |
| 5.5.2 8结点模型 | 第53-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第六章 三种机器学习方法的结果比较及分析 | 第55-61页 |
| 6.1 4结点模型 | 第55-57页 |
| 6.2 8结点模型 | 第57-60页 |
| 6.3 本章小结 | 第60-61页 |
| 结论与展望 | 第61-62页 |
| 结论 | 第61页 |
| 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录A 4结点模型有限元程序 | 第67-79页 |
| 附录B BP程序 | 第79-81页 |
| 附录C SVM程序 | 第81-83页 |
| 附录D GPR程序 | 第83-84页 |
| 攻读学位期间发表的学术论文及取得的科研成果 | 第84-85页 |
| 个人简历 | 第85页 |