| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| ·本文研究的背景 | 第8-9页 |
| ·研究现状 | 第9-11页 |
| ·校直工艺理论研究 | 第9页 |
| ·校直过程智能控制研究 | 第9-11页 |
| ·现有研究存在的不足 | 第11-12页 |
| ·本文研究的目的和意义 | 第12页 |
| ·论文的主要内容 | 第12-13页 |
| 第二章 校直过程的F-δ模型 | 第13-23页 |
| ·F-δ模型的建立 | 第13-16页 |
| ·F-δ模型的提出 | 第13-14页 |
| ·校直过程的数学模型 | 第14页 |
| ·弹塑性弯曲阶段的数学模型 | 第14-16页 |
| ·F-δ模型的求解 | 第16-21页 |
| ·界面设计 | 第17页 |
| ·F-δ模型的数值积分分析 | 第17-21页 |
| ·F-δ模型的应用 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 F-δ模型在控制系统中的应用及主要问题 | 第23-29页 |
| ·F-δ模型在控制系统中的应用 | 第23-26页 |
| ·F-δ模型在控制系统中应用的主要问题 | 第26页 |
| ·材料参数识别 | 第26-28页 |
| ·材料参数识别的对象及意义 | 第26-27页 |
| ·影响弹性模量和屈服极限的因素 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第四章 基于神经网络的材料性能参数的在线识别 | 第29-44页 |
| ·引言 | 第29-32页 |
| ·校直过程中材料性能参数在线识别的特点 | 第29-30页 |
| ·神经网络及其应用概述 | 第30-31页 |
| ·神经网络类型的选择 | 第31-32页 |
| ·BP神经网络在压力校直材料参数识别中的应用 | 第32-39页 |
| ·BP神经网络的基本理论 | 第32-34页 |
| ·训练样本的获得 | 第34-36页 |
| ·BP网络结构的设计 | 第36-37页 |
| ·训练及识别效果检验 | 第37-39页 |
| ·径向基神经网络(RBF)在压力校直材料参数识别中的应用 | 第39-42页 |
| ·径向基神经网络简介 | 第39-40页 |
| ·RBF神经网络结构设计与训练 | 第40-41页 |
| ·识别效果检验 | 第41-42页 |
| ·BP与RBF神经网络识别的比较 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 基于支持向量机的材料性能参数在线识别 | 第44-51页 |
| ·引言 | 第44页 |
| ·回归估计的支持向量机方法 | 第44-47页 |
| ·SVM在压力校直参数识别中的应用 | 第47-49页 |
| ·SVM识别与神经网络识别的比较 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 材料性能参数在线识别实验验证 | 第51-56页 |
| ·在线识别实验研究的目的 | 第51页 |
| ·校直实验台简介 | 第51-52页 |
| ·实验内容及过程 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第七章 结论与建议 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 个人简历 在读期间发表的学术论文 | 第61页 |