| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 1. 绪论 | 第9-17页 |
| ·研究背景及研究意义 | 第9-10页 |
| ·板形模式识别技术的发展情况 | 第10-14页 |
| ·板形模式识别技术的现状 | 第10-13页 |
| ·板形模式识别存在的问题 | 第13-14页 |
| ·板形模式识别的未来发展方向 | 第14页 |
| ·论文的研究内容及章节编排 | 第14-17页 |
| 2. 板形的相关基础知识 | 第17-31页 |
| ·板形控制基本概念 | 第17-22页 |
| ·板形 | 第17-19页 |
| ·平直度表示方法 | 第19-22页 |
| ·板形的描述方法 | 第22-25页 |
| ·板形缺陷的产生原理 | 第25-29页 |
| ·良好板形存在的条件 | 第27-28页 |
| ·影响板形的因素 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 3. 遗传算法和神经网络基础 | 第31-47页 |
| ·遗传算法基础 | 第31-35页 |
| ·遗传算法的产生与发展 | 第31页 |
| ·遗传算法的特点 | 第31-32页 |
| ·遗传算法的基本操作 | 第32-33页 |
| ·遗传算法与数值优化 | 第33-35页 |
| ·神经网络概述 | 第35-46页 |
| ·神经网络的基本特点与功能 | 第36页 |
| ·神经网络的基本特点 | 第36-37页 |
| ·神经网络的基本功能 | 第37-39页 |
| ·BP 神经网络及其算法 | 第39-43页 |
| ·RBF 神经网络及算法 | 第43-44页 |
| ·RBF-BP 神经网络模型及算法 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 4. 基于 GA 的 RBF-BP 组合神经网络的板形缺陷识别 | 第47-55页 |
| ·板形模式识别概述 | 第47页 |
| ·板形基本模式的确定 | 第47页 |
| ·标准板形的归一化处理 | 第47-49页 |
| ·GA-RBF-BP 组合神经网络板形模式识别模型的建立 | 第49-54页 |
| ·建模的基本思想 | 第49页 |
| ·输入神经元的确定 | 第49-50页 |
| ·输出神经元的确定 | 第50页 |
| ·遗传算法的优化 | 第50-51页 |
| ·训练样本的选取 | 第51-52页 |
| ·GA-RBF-BP 组合神经网络板形模型识别 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 5. 板形识别效果的仿真分析 | 第55-61页 |
| ·BP 网络的仿真 | 第55-56页 |
| ·RBF-BP 网络的仿真 | 第56-57页 |
| ·GA-RBF-BP 组合网络的仿真 | 第57-58页 |
| ·仿真结果的分析 | 第58-59页 |
| ·板形识别效果的实例分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 6. 结论 | 第61-63页 |
| ·本文的研究内容 | 第61页 |
| ·本文的研究成果 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 附录 | 第65-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |