| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究应用背景及课题意义 | 第9-10页 |
| 1.3 代理计算模型研究现状及分析 | 第10-17页 |
| 1.3.1 代理模型技术的发展 | 第12-15页 |
| 1.3.2 多种代理模型的比较分析研究 | 第15-16页 |
| 1.3.3 代理模型研究遇到的难题 | 第16-17页 |
| 2 叶轮机械参数描述及建模前准备 | 第17-24页 |
| 2.1 混流泵 | 第17-21页 |
| 2.2 工程建模 | 第21-24页 |
| 2.2.1 建模准备 | 第21-22页 |
| 2.2.2 建模问题类型确定 | 第22-24页 |
| 3 Kriging代理模型及预测研究 | 第24-42页 |
| 3.1 Kriging模型简介 | 第24-25页 |
| 3.2 Kriging代理模型的原理 | 第25-29页 |
| 3.3 实验设计——取样方法 | 第29-31页 |
| 3.3.1 拉丁超立方取样方法 | 第29-30页 |
| 3.3.2 最优化拉丁超立方取样方法 | 第30-31页 |
| 3.4 基于加点原则的优化的Kriging代理模型 | 第31-35页 |
| 3.4.1 基于Kriging代理模型的优化设计方法 | 第31-33页 |
| 3.4.2 Kriging代理模型的加点准则选取 | 第33-34页 |
| 3.4.3 代理模型的性能评价准则 | 第34-35页 |
| 3.5 基于Kriging代理模型测试算例 | 第35-40页 |
| 3.5.1 测试函数选取 | 第35-36页 |
| 3.5.2 样本数目确定 | 第36-37页 |
| 3.5.3 预测结果比较分析 | 第37-40页 |
| 3.6 本章小结 | 第40-42页 |
| 4 支持向量机(SVM)代理模型及预测研究 | 第42-54页 |
| 4.1 SVM模型研究进展 | 第42页 |
| 4.2 支持向量机回归模型原理 | 第42-46页 |
| 4.3 SVMR建模预测和算例测试 | 第46-53页 |
| 4.3.1 支持向量机回归建模及学习训练 | 第46-47页 |
| 4.3.2 支持向量机各自由参数的确定 | 第47-50页 |
| 4.3.3 基于四种函数的SVMR模型预测比较 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 人工神经网络(ANN)代理模型及预测研究 | 第54-63页 |
| 5.1 人工神经网络代理模型简介 | 第54-55页 |
| 5.2 ANN模型预测方法 | 第55-60页 |
| 5.2.1 BP(Back-Propagation)网络 | 第55-58页 |
| 5.2.2 径向基函数神经网络(RBF-NN) | 第58-60页 |
| 5.3 数值仿真及分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 代理模型在叶轮机械性能预测中的应用 | 第63-75页 |
| 6.1 Kriging、SVM、RBF-NN三种代理模型比较分析 | 第63-71页 |
| 6.1.1 总体性能分析 | 第64-65页 |
| 6.1.2 不同类型问题下的模型性能比较 | 第65-68页 |
| 6.1.3 不同样本规模下的模型性能比较 | 第68-71页 |
| 6.2 混流泵性能预测分析 | 第71-74页 |
| 6.2.1 混流泵导叶叶片代理模型构建 | 第71-72页 |
| 6.2.2 预测结果分析及模型比较 | 第72-74页 |
| 6.3 本章小结 | 第74-75页 |
| 7 总结及展望 | 第75-77页 |
| 7.1 总结 | 第75-76页 |
| 7.2 展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 附录A 测试函数 | 第80-82页 |
| 攻读硕士学位期间发表学术论文情况 | 第82-83页 |
| 致谢 | 第83-84页 |
