| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外的研究概况 | 第10-14页 |
| 1.2.1 成型工艺模拟及质量预测概况 | 第10-13页 |
| 1.2.2 深度学习研究概况 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.3.1 论文主要内容 | 第14页 |
| 1.3.2 论文组织结构 | 第14-15页 |
| 第二章 构建针对注塑成型工艺的质量预测模型 | 第15-40页 |
| 2.1 注塑成型简介 | 第15-17页 |
| 2.2 注塑成型数据分析与组织存储 | 第17-21页 |
| 2.2.1 注塑机观测数据 | 第17-19页 |
| 2.2.2 观测数据的时空特征分析 | 第19-20页 |
| 2.2.3 数据的组织与存储 | 第20-21页 |
| 2.3 预测模型基础框架及分析 | 第21-27页 |
| 2.3.1 受限玻尔兹曼算法 | 第21-23页 |
| 2.3.2 深度信念网络模型 | 第23-27页 |
| 2.4 构建注塑产品质量预测模型 | 第27-36页 |
| 2.4.1 基于Conditional RBM的DBN预测模型构建方式 | 第27-31页 |
| 2.4.2 Conditional RBM-based DBN模型的训练方法 | 第31-34页 |
| 2.4.3 高斯分布处理输入特征 | 第34-36页 |
| 2.5 Conditional RBM-based DBN 模型训练和预测过程分析 | 第36-39页 |
| 2.6 本章小结 | 第39-40页 |
| 第三章 注塑成型预测模型结构优化 | 第40-54页 |
| 3.1 注塑成型过程监控数据预处理 | 第40-42页 |
| 3.2 Conditional RBM-based DBN 模型参数取值分析 | 第42-48页 |
| 3.2.1 Conditional RBM 网络深度的分析 | 第42-44页 |
| 3.2.2 各训练参数分析及实验设计 | 第44-48页 |
| 3.3 Conditional RBM-based DBN 模型参数求解分析 | 第48-52页 |
| 3.3.1 标准粒子群算法求解分析 | 第48-50页 |
| 3.3.2 基于粒子群算法的模型参数最优值求解 | 第50-52页 |
| 3.4 PSO算法求最优解的评价方法 | 第52-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第四章 实验验证 | 第54-61页 |
| 4.1 系统总体框架 | 第54-56页 |
| 4.1.1 框架介绍 | 第54页 |
| 4.1.2 实验环境与数据集 | 第54-56页 |
| 4.2 训练参数最优解的分析与实验 | 第56-57页 |
| 4.2.1 网络结构的确定 | 第56-57页 |
| 4.2.2 参数初始化 | 第57页 |
| 4.3 结果评估 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 总结与展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
