| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 论文选题的背景与意义 | 第10-11页 |
| 1.2 成纱预测系统现状与发展趋势 | 第11页 |
| 1.3 机器学习理论与应用研究概况 | 第11-12页 |
| 1.4 论文主要内容和结构 | 第12-15页 |
| 第二章 相关理论与技术 | 第15-22页 |
| 2.1 Python机器学习的优势 | 第15-16页 |
| 2.2 Python扩展库 | 第16-17页 |
| 2.2.1 NumPy & SciPy | 第16页 |
| 2.2.2 Matplotlib | 第16页 |
| 2.2.3 Scikit-Learn | 第16-17页 |
| 2.2.4 Pandas | 第17页 |
| 2.2.5 wxPython | 第17页 |
| 2.3 可视化技术 | 第17-19页 |
| 2.3.1 可视化技术概述 | 第17-18页 |
| 2.3.2 数据可视化流程 | 第18-19页 |
| 2.4 GUI界面主要组件介绍 | 第19-20页 |
| 2.5 网页开发技术 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 成纱质量预测模型 | 第22-31页 |
| 3.1 BP神经网络 | 第22-24页 |
| 3.1.1 BP神经网络的简介 | 第22-23页 |
| 3.1.2 BP神经网络设计 | 第23-24页 |
| 3.2 思维进化算法(MEA) | 第24-27页 |
| 3.2.1 思维进化算法概述 | 第24-25页 |
| 3.2.2 思维进化算法（MEA）的基本原理 | 第25-27页 |
| 3.3 LM算法 | 第27-29页 |
| 3.3.1 LM算法概述 | 第27页 |
| 3.3.2 MEA算法与LM算法对BP神经网络的混合优化 | 第27-28页 |
| 3.3.3 参数设计与实现 | 第28-29页 |
| 3.4 小波神经网络 | 第29-30页 |
| 3.4.1 小波神经网络概述 | 第29页 |
| 3.4.2 小波神经网络算法实现与参数设计 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于机器学习的成纱质量预测系统分析与设计 | 第31-43页 |
| 4.1 系统需求分析 | 第31-32页 |
| 4.1.1 系统功能需求 | 第31页 |
| 4.1.2 系统性能需求 | 第31-32页 |
| 4.1.3 数据需求分析 | 第32页 |
| 4.2 系统总体设计 | 第32页 |
| 4.3 模块化设计 | 第32-38页 |
| 4.3.1 数据管理模块 | 第33-35页 |
| 4.3.2 数据处理模块 | 第35-37页 |
| 4.3.3 预测模块 | 第37-38页 |
| 4.4 GUI界面设计 | 第38-42页 |
| 4.4.1 窗口和组件 | 第39-40页 |
| 4.4.2 标签、标题和位置 | 第40-41页 |
| 4.4.3 尺寸器布局 | 第41-42页 |
| 4.4.4 事件处理 | 第42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 系统实现与测试 | 第43-52页 |
| 5.1 系统主界面 | 第43页 |
| 5.2 数据管理模块 | 第43-44页 |
| 5.3 数据处理模块 | 第44-45页 |
| 5.4 预测模块 | 第45-47页 |
| 5.5 可视化区 | 第47-49页 |
| 5.5.1 数据集可视化 | 第47-48页 |
| 5.5.2 预测结果可视化 | 第48-49页 |
| 5.6 GUI界面测试 | 第49-51页 |
| 5.7 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 硕士阶段成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附录 | 第59-79页 |