基于深度学习的铸造CAE后处理关键区域提取算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-20页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 模拟仿真后处理技术研究现状 | 第11-13页 |
| 1.3 深度学习方法研究现状 | 第13-18页 |
| 1.4 论文主要研究内容 | 第18-20页 |
| 2 三维模拟数据体素标识技术 | 第20-35页 |
| 2.1 直接体渲染 | 第20-24页 |
| 2.2 体素单元定位 | 第24-26页 |
| 2.3 体渲染与面渲染的结合 | 第26-27页 |
| 2.4 体素标识方案设计及实例应用 | 第27-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 铸造CAE后处理关键区域提取算法 | 第35-49页 |
| 3.1 关键区域提取算法整体方案 | 第35-37页 |
| 3.2 卷积神经网络及其深层架构设计 | 第37-44页 |
| 3.3 预训练网络与在线学习网络设计 | 第44-45页 |
| 3.4 区域检测算法设计 | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 关键区域提取算法的网络训练过程 | 第49-59页 |
| 4.1 预训练数据准备及处理 | 第49-51页 |
| 4.2 预训练网络参数预处理与初始化 | 第51-53页 |
| 4.3 预训练网络参数更新及训练结果分析 | 第53-55页 |
| 4.4 在线学习网络实时数据采集及更新策略 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 关键区域提取算法的应用 | 第59-72页 |
| 5.1 关键区域算法应用 | 第59-64页 |
| 5.2 实例分析 | 第64-71页 |
| 5.3 本章小结 | 第71-72页 |
| 6 总结与展望 | 第72-74页 |
| 6.1 全文总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 附录 攻读硕士学位期间发表的论文 | 第81页 |
