| 1 绪论 | 第1-14页 |
| 1．1 课题的研究背景和研究意义 | 第9-10页 |
| 1．2 板形理论的相关概念 | 第10-11页 |
| 1．3 研究现状 | 第11-12页 |
| 1．4 本文主要工作 | 第12-14页 |
| 2 板形缺陷模式识别的方法介绍 | 第14-30页 |
| 2．1 板形缺陷的模式识别 | 第14-16页 |
| 2．2 板形缺陷模式识别的传统方法 | 第16-19页 |
| 2．2．1 基于最小二乘的模式识别方法(LS) | 第16-17页 |
| 2．2．2 最小二乘模式识别方法存在的问题 | 第17-19页 |
| 2．3 基于模糊分类原理的模式识别方法 | 第19-21页 |
| 2．3．1 基于模糊分类原理的模式识别方法(FE/FS) | 第19-21页 |
| 2．3．2 基于模糊分类原理的优化识别方法 | 第21页 |
| 2．4 基于 BP神经网络原理的模式识别方法 | 第21-27页 |
| 2．4．1 BP算法描述 | 第22-25页 |
| 2．4．2 BP神经网络直接识别法(EBP) | 第25-26页 |
| 2．4．3 BP神经网络间接识别法——基于模糊距离的神经网络法(FBP) | 第26-27页 |
| 2．5 仿真实验 | 第27-28页 |
| 2．6 小结 | 第28-30页 |
| 3 基于模糊距离的 RBF网络识别法 | 第30-39页 |
| 3．1 前言 | 第30页 |
| 3．2 RBF网络的原理及特点 | 第30-33页 |
| 3．3 基于模糊距离的 RBF网络识别 | 第33-36页 |
| 3．3．1 板形标准模式与板形数据处理 | 第33-34页 |
| 3．3．2 基于模糊距离的 RBF网络识别 | 第34-36页 |
| 3．4 仿真结果 | 第36-38页 |
| 3．5 小结 | 第38-39页 |
| 4 改进的 BP网络直接识别法 | 第39-52页 |
| 4．1 前言 | 第39页 |
| 4．2 改进的BP网络直接识别法 | 第39-42页 |
| 4．3 基于 GA的BP网络优化算法 | 第42-49页 |
| 4．3．1 遗传算法概述 | 第42-43页 |
| 4．3．2 基本遗传算法的工作原理及操作步骤 | 第43-46页 |
| 4．3．3 基于 GA的 BP网络优化算法 | 第46-48页 |
| 4．3．4 基于 GA的 BP网络优化算法的板形识别 | 第48-49页 |
| 4．4 仿真结果 | 第49页 |
| 4．5 小结 | 第49-52页 |
| 5 支持向量机方法进行板形识别的探索 | 第52-60页 |
| 5．1 前言 | 第52-53页 |
| 5．2 支持向量机及其算法 | 第53-56页 |
| 5．3 SVM方法进行板形识别的探索 | 第56-58页 |
| 5．3．1 应用 SVM的模式识别方法 | 第56-57页 |
| 5．3．2 应用 SVM函数逼近方法 | 第57-58页 |
| 5．4 小结 | 第58-60页 |
| 6 结论 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者在攻读硕士期间所发表的论文及参加的科研项目 | 第66页 |
