| 文献综述 | 第10-18页 |
| 第一章 绪论 | 第18-22页 |
| §1．1 引言 | 第18-19页 |
| §1．2 机械加工尺寸预报建模技术及其现状 | 第19-20页 |
| §1．2．1 机械加工过程的动态特征 | 第19页 |
| §1．2．2 机械加工尺寸主要的预报模型 | 第19-20页 |
| §1．3 本文的研究目的与内容 | 第20-22页 |
| §1．3．1 研究目的 | 第20页 |
| §1．3．2 研究内容及方法 | 第20-22页 |
| 第二章 机械加工尺寸灰色预报模型的研究 | 第22-35页 |
| §2．1 等维递补GM（1，1）预报模型 | 第22-24页 |
| §2．1．1 GM（1，1）建模原理 | 第22-23页 |
| §2．1．2 等维递补预报 | 第23-24页 |
| §2．2 建模数据及其实验 | 第24-25页 |
| §2．2．1 试件及其加工条件 | 第24页 |
| §2．2．2 建模数据的取得 | 第24-25页 |
| §2．3 GM（1，1）模型预报建模分析 | 第25-33页 |
| §2．3．1 GM（1，1）模型维数对参数估计的影响 | 第26-27页 |
| §2．3．2 模型维数对预报精度影响的实验分析 | 第27-30页 |
| §2．3．3 GM（1，1）模型背景值及其分析 | 第30页 |
| §2．3．4 背景值参数对预报精度影响的实验分析 | 第30-33页 |
| §2．4 GM（1，1）模型维数与背景值参数的优化模型 | 第33-35页 |
| 第三章 基于遗传算法的GM（1，1）模型优化 | 第35-41页 |
| §3．1 遗传算法原理 | 第35-36页 |
| §3．2 基于遗传算法的GM（1，1）优化 | 第36-39页 |
| §3．2．1 参数编码 | 第36-37页 |
| §3．2．2 群体初始化 | 第37页 |
| §3．2．3 适应度函数的设计 | 第37页 |
| §3．2．4 遗传算子设计 | 第37-39页 |
| §3．3 遗传算法的参数选择 | 第39-40页 |
| §3．4 GM（1，1）模型维数与背景值参数的优化 | 第40-41页 |
| 第四章 基于灰色模型与时间序列模型的组合预报 | 第41-50页 |
| §4．1 GM（1，1）残差预报方法分析 | 第41-44页 |
| §4．1．1 残差与残差修正 | 第41页 |
| §4．1．2 基于GM（1，1）的残差预报分析 | 第41-44页 |
| §4．2 GM（1，1）-AR组合预报模型及其建模 | 第44-46页 |
| §4．2．1 GM（1，1）-AR组合模型 | 第44-45页 |
| §4．2．2 GM（1，1）-AR组合模型的建模方法 | 第45-46页 |
| §4．3 自回归模型的建立 | 第46-47页 |
| §4．4 组合预报分析 | 第47-50页 |
| §4．4．1 残差自回归预报模型的建立 | 第47页 |
| §4．4．2 预报分析 | 第47-50页 |
| 第五章 基于灰色模型与神经网络的组合预报 | 第50-60页 |
| §5．1 基于神经网络的非线性建模方法 | 第50-52页 |
| §5．1．1 神经网络与非线性建模 | 第50页 |
| §5．1．2 时间序列的神经网络预报模型 | 第50-52页 |
| §5．2 GM（1，1）-ANN组合预报模型 | 第52-53页 |
| §5．3 残差序列的神经网络预报模型 | 第53页 |
| §5．4 采用遗传算法优化神经网络权值 | 第53-56页 |
| §5．4．1 权值编码 | 第54页 |
| §5．4．2 适应度函数 | 第54页 |
| §5．4．3 初始化 | 第54-55页 |
| §5．4．4 遗传算子的改进 | 第55-56页 |
| §5．5 遗传算法参数的确定 | 第56-58页 |
| §5．6 残差预报分析 | 第58-60页 |
| 第六章 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者简介 | 第65页 |
