| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 SMT产品质量预测方法国内外研究现状 | 第16-18页 |
| 1.3 论文研究内容及组织结构 | 第18-20页 |
| 第二章 SMT概述与产品质量预测分析总体框架 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 SMT概述 | 第20-22页 |
| 2.2.1 SMT工艺流程 | 第20-21页 |
| 2.2.2 SMT的优点 | 第21-22页 |
| 2.3 SMT大数据资源 | 第22-25页 |
| 2.3.1 SMT数据内容 | 第22-23页 |
| 2.3.2 SMT大数据特点 | 第23-25页 |
| 2.4 SMT产品质量预测机理分析 | 第25-29页 |
| 2.4.1 SMT产品质量影响因素 | 第25-27页 |
| 2.4.2 SMT产品质量特性研究 | 第27-29页 |
| 2.5 SMT产品质量预测分析总体框架 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 SMT产品质量预测模型研究 | 第32-60页 |
| 3.1 引言 | 第32页 |
| 3.2 SMT产品质量预测分析流程 | 第32-33页 |
| 3.3 SMT大数据特征工程与数据包构建 | 第33-37页 |
| 3.3.1 SMT质量预测关键特征选择 | 第33-35页 |
| 3.3.2 基于时序特性的SMT质量预测特征重构 | 第35-36页 |
| 3.3.3 SMT预测模型数据包构建 | 第36-37页 |
| 3.3.4 数据预处理 | 第37页 |
| 3.4 基于RBF神经网络的SMT产品质量预测模型 | 第37-45页 |
| 3.4.1 RBF神经网络算法原理 | 第37-44页 |
| 3.4.2 SMT产品质量预测建模 | 第44-45页 |
| 3.5 SMT产品质量预测模型优化方法研究 | 第45-59页 |
| 3.5.1 AGNES算法原理 | 第45-49页 |
| 3.5.2 改进的AGNES算法学习策略 | 第49-50页 |
| 3.5.3 粒子群优化算法原理 | 第50-54页 |
| 3.5.4 基于改进的AGNES和PSO的RBF神经网络预测方法 | 第54-57页 |
| 3.5.5 SMT产品质量预测模型优化 | 第57-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第四章 SMT产品的质量预测模型实现与验证 | 第60-74页 |
| 4.1 引言 | 第60页 |
| 4.2 SMT生产工艺与数据资源 | 第60-61页 |
| 4.2.1 SMT生产工艺 | 第60页 |
| 4.2.2 SMT生产线数据资源 | 第60-61页 |
| 4.3 SMT大数据特征工程和数据预处理 | 第61-68页 |
| 4.3.1 SMT大数据特征工程 | 第61-67页 |
| 4.3.2 数据预处理 | 第67页 |
| 4.3.3 模型预测结果对比分析 | 第67-68页 |
| 4.4 数据包构建 | 第68-70页 |
| 4.5 SMT产品质量预测模型优化 | 第70-72页 |
| 4.5.1 预测模型参数优化 | 第70-71页 |
| 4.5.2 模型预测结果对比分析 | 第71-72页 |
| 4.6 本章小结 | 第72-74页 |
| 第五章 总结和展望 | 第74-76页 |
| 5.1 论文总结 | 第74-75页 |
| 5.2 研究展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 作者简介 | 第82-83页 |