| 第一章 绪论 | 第1-24页 |
| §1.1 国内外发展概况 | 第10-16页 |
| §1.2 课题的提出及研究意义 | 第16-19页 |
| §1.3 本课题的创新点及主要内容 | 第19-24页 |
| §1.3.1 课题的创新点 | 第19-20页 |
| §1.3.2 本课题完成的主要内容 | 第20-24页 |
| 第二章 内燃机油的润滑机理及添加剂的摩擦学原理 | 第24-32页 |
| §2.1 内燃机的摩擦磨损和润滑机理 | 第24-28页 |
| §2.2 内燃机油的基础油和主要功能添加剂及其作用机理 | 第28-32页 |
| 第三章 人工智能、专家系统与神经网络 | 第32-40页 |
| §3.1 人工智能与专家系统 | 第32-37页 |
| §3.1.1 知识的表示方法 | 第32-33页 |
| §3.1.2 基本问题的求解方法 | 第33-34页 |
| §3.1.3 基本的推理方法 | 第34-36页 |
| §3.1.4 专家系统 | 第36-37页 |
| §3.2 人工神经网络与遗传算法 | 第37-40页 |
| §3.2.1 人工神经网络(ANN)的主要模型 | 第37-38页 |
| §3.2.2 遗传算法 | 第38-40页 |
| 第四章 基础油与添加剂选择专家系统的研究 | 第40-83页 |
| §4.1 知识库 | 第40-48页 |
| §4.2 基于可信度及模糊逻辑的推理系统 | 第48-78页 |
| §4.2.1 模糊集合 | 第48-49页 |
| §4.2.2 可信度 | 第49-50页 |
| §4.2.3 模糊知识表示 | 第50-52页 |
| §4.2.4 模糊规则 | 第52-55页 |
| §4.2.5 基于可信度及模糊的推理 | 第55-78页 |
| §4.3 知识获取及解释系统 | 第78-79页 |
| §4.4 黑板系统 | 第79-83页 |
| 第五章 神经网络对添加剂配比的分析与预测 | 第83-136页 |
| §5.1 前向多层神经网络 | 第83-100页 |
| §5.1.1 MLFN的结构和运行原理 | 第83-84页 |
| §5.1.2 MLFN中的神经元模型 | 第84-85页 |
| §5.1.3 MLFN的研究和应用中的三大问题 | 第85-87页 |
| §5.1.4 用Sigmoid函数和线性函数的MLP | 第87-93页 |
| §5.1.5 BP算法的主要问题及其改进 | 第93-97页 |
| §5.1.6 RBF网络 | 第97-100页 |
| §5.2 基于遗传算法的神经网络优化 | 第100-103页 |
| §5.2.1 基本的遗传算法 | 第101-102页 |
| §5.2.2 神经网络连接权的进化 | 第102页 |
| §5.2.3 神经网络结构的进化 | 第102-103页 |
| §5.3 对分散剂复配试验的模拟与预测 | 第103-110页 |
| §5.4 对清净剂复配试验的模拟与预测 | 第110-115页 |
| §5.5 对抗氧抗腐剂试验的模拟与预测 | 第115-124页 |
| §5.6 对极压抗磨剂试验的模拟与预测 | 第124-129页 |
| §5.7 对降凝剂试验的模拟与预测 | 第129-131页 |
| §5.8 对全配方试验的模拟与预测 | 第131-136页 |
| 第六章 结论与建议 | 第136-140页 |
| §6.1 本论文的创新点 | 第136-137页 |
| §6.2 本论文的结论 | 第137-138页 |
| §6.3 进一步研究的建议 | 第138-140页 |
| 参考文献 | 第140-148页 |
| 攻读博士学位期间发表的论文与著作 | 第148-149页 |
| 致谢 | 第149页 |