首页--工业技术论文--金属学与金属工艺论文--金属压力加工论文--轧制论文--轧制自动化论文

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

论文共70页,点击 下载论文
上一篇:高速清管器电磁式在线定位跟踪技术应用研究
下一篇:河北省钢铁产业低碳转型研究