| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-26页 |
| 1.1 引言 | 第11页 |
| 1.2 智能建模的概念和常用方法 | 第11-17页 |
| 1.2.1 人工智能概念 | 第12-13页 |
| 1.2.2 智能建模常用方法 | 第13-17页 |
| 1.3 材料热加工过程智能建模的意义 | 第17-18页 |
| 1.4 材料热加工过程智能建模的研究现状 | 第18-21页 |
| 1.4.1 材料热加工过程模糊集建模 | 第18页 |
| 1.4.2 材料热加工过程粗糙集建模 | 第18-19页 |
| 1.4.3 材料热加工过程神经网络建模 | 第19-21页 |
| 1.5 材料热加工过程智能化建模存在问题 | 第21-24页 |
| 1.6 本文研究意义及内容 | 第24-25页 |
| 1.7 论文结构 | 第25-26页 |
| 第二章支持向量机理论基础 | 第26-41页 |
| 2.1 引言 | 第26-27页 |
| 2.2 统计学相关概念介绍 | 第27-30页 |
| 2.2.1 经验风险最小化 | 第27页 |
| 2.2.2 VC(Vapnik Chervoneakis)维 | 第27-28页 |
| 2.2.3 学习机推广能力的界 | 第28页 |
| 2.2.4 结构风险最小化[88] | 第28-30页 |
| 2.3 支持向量机基本原理 | 第30-34页 |
| 2.3.1 支持向量机算法的发展和应用 | 第30页 |
| 2.3.2 支持向量机基本原理 | 第30-32页 |
| 2.3.3 支持向量机核函数 | 第32-34页 |
| 2.4 支持向量回归估计方法 | 第34-38页 |
| 2.4.1 支持向量机线性回归模型 | 第34-37页 |
| 2.4.2 支持向量机非线性回归模型 | 第37-38页 |
| 2.5 支持向量回归估计训练算法 | 第38-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第三章基于支持向量回归估计的材料热加工过程建模软件系统设计 | 第41-50页 |
| 3.1 引言 | 第41页 |
| 3.2 软件设计基本思路 | 第41-46页 |
| 3.3 编程环境 | 第46页 |
| 3.4 软件的具体实现设计 | 第46-49页 |
| 3.4.1 软件的主要构成 | 第47页 |
| 3.4.2 支持向量回归估计建模函数的开发 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章基于支持向量回归的湿型砂铸造质量预测 | 第50-68页 |
| 4.1 引言 | 第50-51页 |
| 4.2 湿型砂铸造过程数据采集 | 第51-59页 |
| 4.2.1 湿型砂铸造质量预测模型输入变量的选择和数据采集 | 第51-55页 |
| 4.2.2 湿型砂铸造质量预测模型输出变量的选择和数据采集 | 第55-59页 |
| 4.3 型砂铸造质量预测的支持向量回归模型建立 | 第59-67页 |
| 4.3.1 灰铸铁湿型砂铸造过程质量预测SVR 模型 | 第59-64页 |
| 4.3.2 支持向量回归和灰色关联度方法比较 | 第64-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第五章基于支持向量回归估计的脉冲GTAW 焊接过程建模 | 第68-86页 |
| 5.1 引言 | 第68-69页 |
| 5.2 铝合金脉冲GTAW 焊接动态过程数据采集 | 第69-75页 |
| 5.2.1 基本硬件系统 | 第70-71页 |
| 5.2.2 视觉传感系统 | 第71-72页 |
| 5.2.3 试验设计与所得铝合金建模数据 | 第72-75页 |
| 5.3 铝合金脉冲GTAW 焊接动态过程支持向量回归模型的建立 | 第75-84页 |
| 5.3.1 数据预处理方法及过程 | 第75-77页 |
| 5.3.2 未加前几时刻输入变量值焊接过程SVR 模型 | 第77-79页 |
| 5.3.3 添加前几时刻输入变量值影响的焊接过程SVR 建模 | 第79-84页 |
| 5.4 本章小结 | 第84-86页 |
| 第六章 结论 | 第86-87页 |
| 参考文献 | 第87-95页 |
| 攻读硕士学位期间已发表或录用的论文及知识产权 | 第95-96页 |
| 致谢 | 第96-98页 |
