| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 刀具寿命研究现状 | 第13-16页 |
| 1.2.1 刀具寿命研究现状 | 第13-15页 |
| 1.2.2 珩磨油石寿命研究现状 | 第15-16页 |
| 1.3 预测技术研究现状 | 第16-17页 |
| 1.3.1 组合预报模型研究现状 | 第16-17页 |
| 1.3.2 预报模型优化研究现状 | 第17页 |
| 1.4 课题来源 | 第17页 |
| 1.5 本文研究内容 | 第17-19页 |
| 第2章 BP神经网络和灰色神经网络 | 第19-28页 |
| 2.1 BP神经网络 | 第19-21页 |
| 2.1.1 BP神经网络结构 | 第19-20页 |
| 2.1.2 BP网络的学习过程 | 第20-21页 |
| 2.1.3 BP算法存在的问题 | 第21页 |
| 2.2 灰色神经网络 | 第21-27页 |
| 2.2.1 灰色理论 | 第21-24页 |
| 2.2.2 灰色神经网络 | 第24-27页 |
| 2.3 模型精度评价 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 粒子群算法及其改进 | 第28-38页 |
| 3.1 粒子群算法 | 第28-30页 |
| 3.1.1 粒子群算法介绍 | 第28页 |
| 3.1.2 粒子群优化算法参数设置 | 第28-30页 |
| 3.2 智能算法比较 | 第30-31页 |
| 3.2.1 PSO与蚁群算法的比较 | 第30页 |
| 3.2.2 PSO与遗传算法的比较 | 第30-31页 |
| 3.3 改进的粒子群算法 | 第31-37页 |
| 3.3.1 算法描述 | 第31-32页 |
| 3.3.2 算法在函数中的测试 | 第32-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 神经网络在珩磨油石磨损量中的预测研究 | 第38-52页 |
| 4.1 实验数据来源 | 第38-39页 |
| 4.2 神经网络在珩磨油石磨损量中的预测研究 | 第39-44页 |
| 4.2.1 BPNN模型激活函数的选取 | 第39-40页 |
| 4.2.2 数据预处理 | 第40页 |
| 4.2.3 隐含层节点数对网络预测精度的影响 | 第40-42页 |
| 4.2.4 基于BP神经网络的珩磨油石磨损量预测研究 | 第42-44页 |
| 4.3 改进BP神经网络在珩磨油石磨损量中预测研究 | 第44-51页 |
| 4.3.1 基于MPSO-BPNN预报模型的油石磨损量预测研究 | 第44-47页 |
| 4.3.2 基于GA-BPNN预报模型的珩磨油石磨损量预测研究 | 第47-49页 |
| 4.3.3 三种预测模型精度对比分析 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于粒子群优化的灰色神经网络在珩磨油石磨损量中的预测 | 第52-64页 |
| 5.1 基于灰色关联分析法的油石磨损量影响因素研究 | 第52-56页 |
| 5.1.1 灰色关联度分析 | 第52-53页 |
| 5.1.2 基于灰色关联分析法的油石磨损量影响因素分析 | 第53-56页 |
| 5.2 基于灰色神经网络模型的油石磨损量预测 | 第56-58页 |
| 5.2.1 数据归一化处理 | 第56页 |
| 5.2.2 基于GNN的油石磨损量预测研究 | 第56-58页 |
| 5.3 基于MPSO-GNN组合预报模型的珩磨油石磨损量预测研究 | 第58-61页 |
| 5.3.1 灰色神经网络的优化方向 | 第58-59页 |
| 5.3.2 基于MPSO-GNN组合预报模型的油石磨损量预测研究 | 第59-61页 |
| 5.4 模型精度对比评价分析 | 第61-62页 |
| 5.5 本章小结 | 第62-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读学位期间所发表的学术论文 | 第71页 |
