| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 论文研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 表面粗糙度预测方法研究 | 第13-16页 |
| 1.2.2 PSO-BP预测模型研究 | 第16-18页 |
| 1.3 目前研究存在的问题分析 | 第18页 |
| 1.4 本文主要研究内容 | 第18-20页 |
| 第二章 BP算法与PSO算法理论融合分析 | 第20-33页 |
| 2.1 BP神经网络应用分析 | 第20-25页 |
| 2.1.1 人工神经网络特点剖析 | 第20-21页 |
| 2.1.2 BP算法及其实现 | 第21-23页 |
| 2.1.3 BP神经网络的应用要点 | 第23-25页 |
| 2.2 BP神经网络的优点及误差曲面局限性 | 第25-27页 |
| 2.2.1 多层前馈神经网络的主要优点 | 第25-26页 |
| 2.2.2 BP神经网络的误差曲面局限性 | 第26-27页 |
| 2.3 粒子群算法(PSO算法) | 第27-31页 |
| 2.3.1 PSO算法的基本原理及应用分析 | 第27-28页 |
| 2.3.2 PSO算法参数设置及流程 | 第28-30页 |
| 2.3.3 PSO算法的优缺点及改进 | 第30-31页 |
| 2.4 PSO算法与BP神经网络的融合 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 磨削实验设计及样本数据分析 | 第33-48页 |
| 3.1 试验因素分析 | 第33-35页 |
| 3.1.1 磨削加工特点剖析 | 第33-34页 |
| 3.1.2 表面粗糙度对工件质量的影响分析 | 第34页 |
| 3.1.3 表面粗糙度的主要影响因素分析 | 第34-35页 |
| 3.2 试验条件 | 第35-38页 |
| 3.2.1 试验设备 | 第35-37页 |
| 3.2.2 实验方案 | 第37-38页 |
| 3.3 正交实验设计 | 第38-42页 |
| 3.3.1 正交实验设计方法 | 第38-39页 |
| 3.3.2 样本数据的确定 | 第39-42页 |
| 3.4 样本数据分析 | 第42-47页 |
| 3.4.1 方差分析方法 | 第42-43页 |
| 3.4.2 样本数据分析 | 第43-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 权重改进的PSO-BP预测模型分析 | 第48-66页 |
| 4.1 BP预测模型的总体设计 | 第48-51页 |
| 4.1.1 训练样本集的归一化处理 | 第48页 |
| 4.1.2 BP神经网络整体参数设计 | 第48-50页 |
| 4.1.3 训练算法的选取 | 第50-51页 |
| 4.2 BP预测模型预测结果分析 | 第51-54页 |
| 4.3 PSO-BP预测模型结果分析 | 第54-57页 |
| 4.4 权重改进的PSO-BP预测模型结果分析 | 第57-61页 |
| 4.4.1 基于线性递减权重法改进的预测模型 | 第57-58页 |
| 4.4.2 基于随机权重法改进的预测模型 | 第58-60页 |
| 4.4.3 基于自适应权重法改进的预测模型 | 第60-61页 |
| 4.5 三种权重改进的PSO-BP预测模型结果对比分析 | 第61-64页 |
| 4.6 本章小结 | 第64-66页 |
| 第五章 基于自然选择机理的APSO-BP预测模型分析 | 第66-74页 |
| 5.1 NCAPSO-BP预测模型要点分析 | 第66-68页 |
| 5.1.1 基于自然选择机理的原理分析 | 第66页 |
| 5.1.2 NCAPSO-BP预测模型工作原理分析 | 第66-68页 |
| 5.2 NCAPSO-BP预测模型结果分析与探讨 | 第68-71页 |
| 5.3 四种预测模型结果对比分析 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 本文工作总结 | 第74-75页 |
| 6.2 未来工作展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间发表的论文与参加的项目 | 第82页 |
