机器人智能修磨方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-21页 |
| ·问题提出 | 第10页 |
| ·背景及意义 | 第10-12页 |
| ·研究现状 | 第12-18页 |
| ·机器人修磨系统 | 第12-16页 |
| ·智能加工 | 第16-17页 |
| ·复杂曲面加工 | 第17-18页 |
| ·本文研究内容及章节安排 | 第18-21页 |
| 第2章 机器人智能修磨方法框架 | 第21-34页 |
| ·本章引言 | 第21页 |
| ·磨削量影响因素分析及基本模型 | 第21-24页 |
| ·机器人智能修磨系统的实现 | 第24-31页 |
| ·系统整体构成 | 第25-27页 |
| ·工业机器人 | 第27-28页 |
| ·砂带磨削机 | 第28-29页 |
| ·测量系统 | 第29-30页 |
| ·数据处理计算机 | 第30-31页 |
| ·机器人智能修磨方法框架 | 第31-33页 |
| ·本章小结与讨论 | 第33-34页 |
| 第3章 基于机器学习的稳态修磨过程建模 | 第34-59页 |
| ·本章引言 | 第34页 |
| ·磨削建模方法简述 | 第34-35页 |
| ·基于机器学习的修磨建模 | 第35-40页 |
| ·特征选择 | 第35-36页 |
| ·独立同分布条件的满足 | 第36-38页 |
| ·机器学习算法的选择 | 第38-40页 |
| ·支持向量回归建模方法 | 第40-46页 |
| ·核方法 | 第41-42页 |
| ·支持向量回归原理 | 第42-46页 |
| ·回声状态网络建模方法 | 第46-48页 |
| ·回声状态网络的数学模型 | 第46-47页 |
| ·回声状态网络的实现 | 第47-48页 |
| ·实验评估 | 第48-58页 |
| ·叶片磨削实验 | 第48-51页 |
| ·支持向量回归稳态建模实验 | 第51-55页 |
| ·回声状态网络稳态建模实验 | 第55-58页 |
| ·本章小结与讨论 | 第58-59页 |
| 第4章 基于迁移学习的适应建模方法 | 第59-74页 |
| ·本章引言 | 第59页 |
| ·机器人修磨适应学习建模问题 | 第59-62页 |
| ·适应学习建模问题的形式化 | 第59-61页 |
| ·模型单调性 | 第61-62页 |
| ·迁移学习 | 第62-65页 |
| ·相关研究 | 第62-63页 |
| ·机器人修磨适应建模与迁移学习 | 第63-65页 |
| ·基于单源迁移学习的适应建模方法 | 第65-73页 |
| ·模型相似度 | 第66-68页 |
| ·整体迁移 | 第68-69页 |
| ·局部迁移方法 | 第69-73页 |
| ·本章小结与讨论 | 第73-74页 |
| 第5章 融合先验知识的适应学习建模 | 第74-84页 |
| ·本章引言 | 第74页 |
| ·融合先验知识的机器学习 | 第74-75页 |
| ·基于半经验公式的虚拟样本融合方法 | 第75-83页 |
| ·半经验公式的选择与推导 | 第77-78页 |
| ·融合方法 | 第78-80页 |
| ·实验验证 | 第80-82页 |
| ·方法原理分析 | 第82-83页 |
| ·本章小结与讨论 | 第83-84页 |
| 第6章 机器人修磨参数优化 | 第84-94页 |
| ·本章引言 | 第84页 |
| ·面向系统响应速度的优化 | 第84-88页 |
| ·系统响应速度问题 | 第85页 |
| ·优化目标 | 第85-86页 |
| ·模型输出及反解问题 | 第86-88页 |
| ·基于粒子群算法实现参数优化 | 第88-92页 |
| ·粒子群优化算法 | 第88-89页 |
| ·参数优化的实现及实验结果 | 第89-92页 |
| ·本章小结与讨论 | 第92-94页 |
| 第7章 总结与展望 | 第94-96页 |
| ·总结 | 第94-95页 |
| ·主要成果和创新点 | 第94-95页 |
| ·实际应用 | 第95页 |
| ·展望 | 第95-96页 |
| 参考文献 | 第96-104页 |
| 致谢 | 第104-106页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第106-107页 |
