基于遗传算法BP神经网络建立镁合金腐蚀性能和力学性能的预报模型
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 引言 | 第9页 |
| 1.2 镁合金的研究现状 | 第9-14页 |
| 1.2.1 镁及镁合金的概况 | 第9-11页 |
| 1.2.2 镁合金的分类及应用 | 第11-13页 |
| 1.2.3 镁合金研究中存在的问题 | 第13-14页 |
| 1.3 镁合金的腐蚀概况和力学性能概况 | 第14-17页 |
| 1.3.1 镁合金的腐蚀概况简述 | 第14页 |
| 1.3.2 镁合金的力学性能概况简述 | 第14-16页 |
| 1.3.3 合金元素对于镁合金的影响 | 第16-17页 |
| 1.4 本课题的研究目的和意义 | 第17-18页 |
| 1.5 主要的研究内容和实验方案 | 第18-21页 |
| 2 实验部分 | 第21-29页 |
| 2.1 试验样品的制备 | 第21-22页 |
| 2.1.1 试验样品 | 第21-22页 |
| 2.1.2 实验设备及试剂 | 第22页 |
| 2.2 实验过程及分析 | 第22-29页 |
| 3 神经网络 | 第29-35页 |
| 3.1 神经网络理论基础 | 第29-31页 |
| 3.1.1 生物神经元模型 | 第29-30页 |
| 3.1.2 人工神经网络 | 第30页 |
| 3.1.3 人工神经网络的特点 | 第30-31页 |
| 3.2 BP神经网络的学习流程及其优点 | 第31-35页 |
| 3.2.1 BP神经网络的学习流程 | 第31-33页 |
| 3.2.2 BP神经网络的建模特点 | 第33-35页 |
| 4 遗传算法 | 第35-43页 |
| 4.1 遗传算法的概述 | 第35-36页 |
| 4.1.1 生物的遗传 | 第35页 |
| 4.1.2 基本的遗传算法 | 第35-36页 |
| 4.2 遗传算法的基本组成及参数的选择 | 第36-39页 |
| 4.2.1 编码 | 第36-37页 |
| 4.2.2 生成初始种群 | 第37页 |
| 4.2.3 确定适应度函数 | 第37页 |
| 4.2.4 遗传算子 | 第37-39页 |
| 4.3 遗传算法对BP神经网络的优化 | 第39-43页 |
| 5 AZ31AZ91镁合金腐蚀性能模型的建立 | 第43-57页 |
| 5.1 Matlab对神经网络的实现 | 第43页 |
| 5.2 BP神经网络输入层的选择 | 第43-50页 |
| 5.2.1 变量参数对腐蚀性能的影响 | 第43-46页 |
| 5.2.2 腐蚀机理分析 | 第46-50页 |
| 5.3 腐蚀性能预测模型的构建 | 第50-52页 |
| 5.3.1 网络结构的建立 | 第50-51页 |
| 5.3.2 数据的整理分析 | 第51页 |
| 5.3.3 传输函数及训练训练函数的选择 | 第51-52页 |
| 5.4 BP神经网络模型训练结果 | 第52-53页 |
| 5.5 数据样本的优化对于模型的优化 | 第53-57页 |
| 6 AZ31AZ91变形镁合金力学性能模型的建立 | 第57-67页 |
| 6.1 数据的收集、整理和分析 | 第57-59页 |
| 6.2 力学性能的预测和模型的建立 | 第59-61页 |
| 6.2.1 BP神经网络模型的建立 | 第59-60页 |
| 6.2.2 传输函数的选择 | 第60-61页 |
| 6.3 BP神经网络模型训练结果 | 第61-63页 |
| 6.4 模型优化 | 第63-67页 |
| 7 结论与展望 | 第67-69页 |
| 7.1 结论 | 第67页 |
| 7.2 展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 硕士研究生期间发表论文 | 第75-77页 |
| 致谢 | 第77页 |
