| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-12页 |
| 第一章 绪论 | 第12-27页 |
| 1．1 纳米材料及其特性 | 第12-13页 |
| 1．1．1 纳米材料的界面效应 | 第12页 |
| 1．1．2 纳米材料的小尺寸效应 | 第12-13页 |
| 1．1．3 纳米材料的量子尺寸效应 | 第13页 |
| 1．2 聚合物基纳米复合材料的发展与现状 | 第13-15页 |
| 1．2．1 制备方法 | 第13-14页 |
| 1．2．2 优点 | 第14页 |
| 1．2．2．1 聚合物基纳米复合材料的优点 | 第14页 |
| 1．2．2．2 激光烧蚀沉积法(LAD)的优点 | 第14页 |
| 1．2．3 聚合物基纳米复合材料的应用领域 | 第14-15页 |
| 1．3 研究课题的提出 | 第15-17页 |
| 1．4 人工神经网络遗传算法在材料研究中的应用 | 第17-21页 |
| 1．4．1 人工神经网络简介 | 第17-18页 |
| 1．4．2 人工神经网络在材料研究中的应用 | 第18-20页 |
| 1．4．3 遗传算法简介 | 第20页 |
| 1．4．4 遗传算法在优化人工神经网络当中的应用 | 第20页 |
| 1．4．5 遗传算法在材料设计优化中的应用 | 第20-21页 |
| 1．4．6 遗传算法在材料工艺优化中的应用 | 第21页 |
| 1．5 人工神经网络粒子群算法的意义 | 第21-23页 |
| 1．5．1 传统回归方法的不足 | 第22页 |
| 1．5．2 遗传算法的不足 | 第22-23页 |
| 1．5．3 人工神经网络粒子群算法 | 第23页 |
| 1．6 本论文采用的研究思路 | 第23-26页 |
| 1．6．1 本论文拟采用 BP和 RBF两种算法建模 | 第24页 |
| 1．6．2 本论文拟采用粒子群算法进行工艺优化 | 第24页 |
| 1．6．3 本论文拟采用的软件 | 第24-25页 |
| 1．6．4 技术路线 | 第25-26页 |
| 1．7 本章小结 | 第26-27页 |
| 第二章 PDPhSM基纳米复合薄膜的制备过程 | 第27-31页 |
| 2．1 引言 | 第27-28页 |
| 2．2 材料与试验过程 | 第28-30页 |
| 2．3 本章小结 | 第30-31页 |
| 第三章 PDPhSM基纳米复合薄膜聚合效率预测 | 第31-49页 |
| 3．1 问题描述 | 第31-33页 |
| 3．1．1 输入输出节点的选择 | 第31-32页 |
| 3．1．2 学习样本数据的搜集 | 第32页 |
| 3．1．3 学习样本数据的整理 | 第32-33页 |
| 3．1．4 样本数据的预处理 | 第33页 |
| 3．2 BP(Back propagation)网络的设计 | 第33-40页 |
| 3．2．1 BP神经网络简介 | 第33-35页 |
| 3．2．2 BP神经网络模型的学习算法 | 第35-36页 |
| 3．2．3 网络层数的确定 | 第36页 |
| 3．2．4 传递函数的确定 | 第36-37页 |
| 3．2．5 隐含层的节点数的确定 | 第37-39页 |
| 3．2．6 BP网络参数的确定 | 第39-40页 |
| 3．2．6．1 计算系数的确定 | 第39-40页 |
| 3．2．6．2 期望误差的确定 | 第40页 |
| 3．3 RBF(Radial basis function)网络的设计 | 第40-43页 |
| 3．3．1 RBF神经网络简介 | 第40页 |
| 3．3．2 RBF神经网络模型的结构 | 第40-41页 |
| 3．3．3 RBF神经网络学习算法与选择 | 第41-43页 |
| 3．3．4 RBF网络参数的选择与确定 | 第43页 |
| 3．4 BP和 RBF神经网络仿真分析 | 第43-44页 |
| 3．5 BP网络与 RBF网络的性能比较分析 | 第44-47页 |
| 3．5．1 学习速度和收敛过程比较 | 第44-46页 |
| 3．5．2 泛化性能 | 第46页 |
| 3．5．3 预测精度比较分析 | 第46-47页 |
| 3．6 PDPhSM基纳米复合薄膜聚合效率模型的建立 | 第47页 |
| 3．7 本章小结 | 第47-49页 |
| 第四章 PDPhSM基纳米复合薄膜的工艺优化 | 第49-58页 |
| 4．1 算法提出背景 | 第49页 |
| 4．2 粒子群优化 PSO算法设计 | 第49-53页 |
| 4．2．1 基本 PSO原理简介 | 第49-50页 |
| 4．2．2 基本 PSO学习算法 | 第50-51页 |
| 4．2．3 基本 PSO的流程描述 | 第51-52页 |
| 4．2．4 粒子群 PSO算法参数的选择与确定 | 第52-53页 |
| 4．3 与其他演化算法的对比 | 第53-54页 |
| 4．3．1 与演化规划的对比 | 第53页 |
| 4．3．2 与遗传算法的对比 | 第53-54页 |
| 4．4 粒子群 PSO算法的工艺优化 | 第54-56页 |
| 4．4．1 粒子群 PSO算法的收敛过程 | 第55-56页 |
| 4．4．2 粒子群 PSO算法的优化结果 | 第56页 |
| 4．5 工艺优化结论 | 第56-57页 |
| 4．6 本章小结 | 第57-58页 |
| 第五章 工作展望与结束语 | 第58-61页 |
| 5．1 工作展望 | 第58-60页 |
| 5．1．1 在脉冲激光沉积(PLD)薄膜技术方 | 第58页 |
| 5．1．2 在制备聚合物PDPhSM基纳米复合薄膜方面 | 第58-59页 |
| 5．1．3 在人工神经网络建模及其性能预测方面 | 第59页 |
| 5．1．4 在工艺优化方面 | 第59页 |
| 5．1．5 在薄膜性能方面 | 第59-60页 |
| 5．2 结束语 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录1 BP神经网络模型程序 | 第66-69页 |
| 附录2 RBF神经网络模型程序 | 第69-71页 |
| 附录3 PSO工艺优化程序 | 第71-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文 | 第74页 |
