| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-35页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 汽车涂料自然老化试验与色差预测控制范围 | 第12-20页 |
| 1.2.1 自然老化试验 | 第12-13页 |
| 1.2.2 汽车涂料自然老化试验 | 第13-15页 |
| 1.2.3 色彩预测控制范围 | 第15-20页 |
| 1.3 人工神经网络 | 第20-32页 |
| 1.3.1 人工神经网络概述 | 第20-24页 |
| 1.3.2 BP神经网络 | 第24-26页 |
| 1.3.3 RBF神经网络 | 第26-29页 |
| 1.3.4 广义回归神经网络 | 第29-32页 |
| 1.4 现状 | 第32-33页 |
| 1.5 研究目的及意义 | 第33页 |
| 1.5.1 研究目的 | 第33页 |
| 1.5.2 研究意义 | 第33页 |
| 1.6 主要思路 | 第33-34页 |
| 1.6.1 如何寻找各周期自然老化数据间的关系 | 第33-34页 |
| 1.6.2 选择人工神经网络类型进行建模 | 第34页 |
| 1.6.3 确定人工神经网络的输入层和输出层周期节点 | 第34页 |
| 1.7 本章小结 | 第34-35页 |
| 第二章 三种神经网络在函数逼近中的比较 | 第35-44页 |
| 2.1 三种神经网络对一元三角函数的逼近 | 第35-39页 |
| 2.2 三种神经网络对二元高阶复杂函数的逼近 | 第39-43页 |
| 2.2.1 BP神经网络对于二元高阶复杂函数的逼近 | 第41-42页 |
| 2.2.2 RBF神经网络对于二元高阶复杂函数的逼近 | 第42页 |
| 2.2.3 GRNN神经网络对于二元高阶复杂函数的逼近 | 第42-43页 |
| 2.3 本章小结 | 第43-44页 |
| 第三章 利用GRNN对汽车涂料自然老化色差的预测 | 第44-57页 |
| 3.1 样本的筛选与处理 | 第45页 |
| 3.2 网络输入层和网络输出层的确定 | 第45-52页 |
| 3.2.1 8 个月为周期节点 | 第45-48页 |
| 3.2.2 12个月为周期节点 | 第48-49页 |
| 3.2.3 16个月为周期节点 | 第49-50页 |
| 3.2.4 20个月为周期节点 | 第50-51页 |
| 3.2.5 结论分析 | 第51-52页 |
| 3.3 GRNN的模型建立 | 第52-54页 |
| 3.3.1 确定平滑因子 | 第52-53页 |
| 3.3.2 对训练好的网络进行检验 | 第53-54页 |
| 3.4 预测结果与分析统计 | 第54-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 结论与展望 | 第57-59页 |
| 4.1 主要结论 | 第57页 |
| 4.2 后续研究工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 作者简介及在学期间所取得的科研成果 | 第63-64页 |
| 致谢 | 第64页 |
