第1章 绪论 | 第1-17页 |
·课题研究的意义 | 第10-11页 |
·人工神经网络的发展及其现状 | 第11-13页 |
·遗传算法的发展概况 | 第13-15页 |
·有限元的发展及应用 | 第15-16页 |
·本文的工作和主要研究内容 | 第16-17页 |
第2章 人工神经网络理论 | 第17-26页 |
·神经网络的基本学习机理 | 第17-18页 |
·神经网络的学习方式 | 第18-19页 |
·有指导的学习 | 第19页 |
·没有指导的学习 | 第19页 |
·神经网络的学习规则 | 第19-24页 |
·Hebb规则 | 第19-20页 |
·Delta规则 | 第20-21页 |
·梯度下降规则 | 第21-22页 |
·Kohonen学习规则 | 第22-23页 |
·后传播的学习方法 | 第23页 |
·Grossberg学习方法(Neo-Hebbian Learning) | 第23-24页 |
·神经网络的类型 | 第24-25页 |
·神经元变换函数的类型 | 第24页 |
·神经网络结构的类型 | 第24-25页 |
·本章小结 | 第25-26页 |
第3章 BP神经网络算法结构、改进及其算法实现 | 第26-48页 |
·BP神经网络结构 | 第26-33页 |
·输入和输出层的设计 | 第27-29页 |
·隐含层数和层内节点数的确定 | 第29-33页 |
·BP算法基本原理 | 第33-36页 |
·BP算法基本思想 | 第33页 |
·BP算法的学习机理 | 第33-36页 |
·BP算法的缺陷及其原因 | 第36-39页 |
·BP算法的主要缺陷 | 第36页 |
·BP算法产生缺陷的原因 | 第36-39页 |
·目前BP算法的改进措施 | 第39-44页 |
·避免网络陷于局部极小值的方法 | 第39-41页 |
·提高网络收敛速度的措施 | 第41-44页 |
·本文一种改进型BP算法 | 第44-47页 |
·几种改进型BP算法分析 | 第44-45页 |
·改进型BP算法的提出 | 第45-47页 |
·本章小结 | 第47-48页 |
第4章 遗传算法理论及其实现 | 第48-52页 |
·遗传算法构成 | 第48-49页 |
·遗传算法基本理论 | 第49-50页 |
·遗传算法的基本实现技术 | 第50-51页 |
·本章小结 | 第51-52页 |
第5章 混凝土泵车臂架结构有限元分析与实测验证 | 第52-61页 |
·臂架有限元建模 | 第52-53页 |
·定义材料特性 | 第52-53页 |
·创建臂架结构的几何模型 | 第53页 |
·划分网格 | 第53页 |
·计算工况及载荷 | 第53-57页 |
·载荷计算、支座铰孔约束条件 | 第53-56页 |
·载荷与约束的施加 | 第56-57页 |
·运算求解 | 第57-59页 |
·实测结果对比分析 | 第59-60页 |
·本章小结 | 第60-61页 |
第6章 基于BP网络的混凝土泵车臂架结构分析器的构建 | 第61-71页 |
·改进型BP网络的参数设计 | 第61-62页 |
·输入、输出层结点数的设定 | 第61-62页 |
·隐含层数和层内节点数的设定 | 第62页 |
·网络初始参数的设定 | 第62页 |
·样本的采集与训练 | 第62-65页 |
·改进型BP网络算法的程序实现 | 第65-69页 |
·BP网络核心算法 | 第65-67页 |
·改进型BP算法流程图 | 第67-69页 |
·BP网络结构分析器预测结果 | 第69-70页 |
·本章小结 | 第70-71页 |
第7章 混凝土泵车臂架结构的智能优化设计 | 第71-80页 |
·优化数学模型 | 第71-73页 |
·设计变量 | 第71-72页 |
·目标函数 | 第72页 |
·约束条件 | 第72-73页 |
·优化过程设计 | 第73-75页 |
·变量范围及编码方式 | 第74页 |
·目标函数和适应度函数的定义 | 第74-75页 |
·面向对象程序实现 | 第75-79页 |
·程序系统结构 | 第75-77页 |
·优化设计运行过程 | 第77-79页 |
·本章小结 | 第79-80页 |
第8章 全文总结 | 第80-81页 |
致谢 | 第81-82页 |
参考文献 | 第82-85页 |
攻读硕士学位期间的科研工作和论文的发表情况 | 第85-86页 |
附录 | 第86-90页 |