基于径向基网络和支持向量机算法的板形缺陷识别的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·板形识别的背景及研究意义 | 第9-10页 |
| ·板形识别技术的发展情况 | 第10-13页 |
| ·板形识别的现状 | 第10-12页 |
| ·板形识别的发展方向 | 第12-13页 |
| ·本课题研究的主要内容 | 第13-15页 |
| 第二章 板形的相关基础及理论概述 | 第15-22页 |
| ·板形基础知识 | 第15-18页 |
| ·板形的概念 | 第15页 |
| ·板形表示方法 | 第15-17页 |
| ·板形缺陷分类 | 第17-18页 |
| ·板形检测、识别与控制 | 第18-20页 |
| ·板形信号检测 | 第18-19页 |
| ·板形模式识别 | 第19页 |
| ·板形控制手段 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 板形缺陷模式识别方法的研究 | 第22-38页 |
| ·板形缺陷的基本模式 | 第22-23页 |
| ·板形缺陷模式识别的传统方法 | 第23-26页 |
| ·最小二乘法的板形模式识别 | 第23-24页 |
| ·基于勒让德多项式的最小二乘板形模式识别 | 第24-26页 |
| ·板形缺陷模式识别的智能方法 | 第26-37页 |
| ·BP神经网络板形模式识别 | 第26-31页 |
| ·基于GA优化的BP网络板形识别模型 | 第31-35页 |
| ·仿真与分析 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于K均值聚类的RBF网络识别方法 | 第38-53页 |
| ·RBF神经网络 | 第38-41页 |
| ·RBF神经网络原理 | 第38-40页 |
| ·RBF神经网络结构 | 第40-41页 |
| ·基于K-均值聚类算法的RBF网络识别 | 第41-46页 |
| ·数据的归一化处理 | 第41-42页 |
| ·基于模糊距离的输入输出 | 第42-43页 |
| ·K-均值聚类算法确定RBF隐节点的数据中心 | 第43-46页 |
| ·仿真与分析 | 第46-52页 |
| ·复杂性与推广能力 | 第52页 |
| ·本章小结 | 第52-53页 |
| 第五章 支持向量机法进行板形模式识别 | 第53-63页 |
| ·支持向量机 | 第53-57页 |
| ·支持向量机基本原理 | 第53-56页 |
| ·特征空间映射与核函数 | 第56-57页 |
| ·最小二乘支持向量机用于板形识别 | 第57-62页 |
| ·最小二乘支持向量机原理 | 第57-58页 |
| ·LSSVM板形识别模型的建立 | 第58-59页 |
| ·仿真与分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间所发表的学术论文目录 | 第69-70页 |
| 致谢 | 第70页 |
