基于小波神经网络的冰刀刀刃磨损测量及验证
| 提要 | 第1-7页 |
| 第一章 绪论 | 第7-11页 |
| ·课题来源与研究范围 | 第7页 |
| ·课题研究的目的和意义 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·冰刀研磨机研究现状 | 第8-9页 |
| ·刀具磨损测量研究现状 | 第9-10页 |
| ·课题研究的主要内容 | 第10-11页 |
| 第二章 冰刀刀刃磨损量测量方案及系统结构 | 第11-15页 |
| ·测量方案 | 第11-13页 |
| ·测量系统的构成 | 第13页 |
| ·系统各部分的功能 | 第13-15页 |
| 第三章 刀刃磨损量测量原理 | 第15-29页 |
| ·冰刀刀刃的建模 | 第15-17页 |
| ·理论测量公式 | 第17-20页 |
| ·刀刃磨损量与椭圆半径的关系 | 第17页 |
| ·刀刃散射光强与椭圆半径的关系 | 第17-20页 |
| ·神经网络在刀刃磨损测量中的应用 | 第20-29页 |
| ·人工神经网络 | 第21-25页 |
| ·维数灾难和特征提取 | 第25-27页 |
| ·前向神经网络在刀刃磨损测量中的应用 | 第27-29页 |
| 第四章 小波神经网络 | 第29-40页 |
| ·从傅立叶变换到小波变换 | 第29-37页 |
| ·傅立叶变换 | 第29-30页 |
| ·短时傅立叶变换 | 第30页 |
| ·小波变换 | 第30-37页 |
| ·小波神经网络对人工神经网络的改进 | 第37-40页 |
| ·小波与神经网络的辅助式结合模型 | 第37-38页 |
| ·小波与神经网络的嵌套式结合模型 | 第38-40页 |
| 第五章 测量算法的设计及其仿真分析 | 第40-74页 |
| ·测量算法的设计 | 第40-48页 |
| ·CCD 信号的特征提取 | 第40-41页 |
| ·三种神经网络的学习算法 | 第41-47页 |
| ·神经网络的结构优化 | 第47-48页 |
| ·训练样本的生成 | 第48-52页 |
| ·CCD 信号特征提取的MATLAB 程序编制 | 第49-50页 |
| ·训练样本输入维数的选取 | 第50-51页 |
| ·特征提取算法的检验 | 第51-52页 |
| ·神经网络的训练 | 第52-73页 |
| ·BP 神经网络的训练 | 第52-59页 |
| ·RBF 神经网络的训练 | 第59-63页 |
| ·小波神经网络的训练 | 第63-73页 |
| ·小结 | 第73-74页 |
| 第六章 刀刃磨损量测量方案的硬件设计验证 | 第74-95页 |
| ·测量装置系统结构 | 第74-79页 |
| ·数据流程及整体结构 | 第74-77页 |
| ·数据的标定 | 第77-79页 |
| ·系统模块设计 | 第79-92页 |
| ·数据采集模块 | 第79-86页 |
| ·DSP 和数据采集模块之间的接口 | 第86-88页 |
| ·数据处理模块 | 第88-92页 |
| ·测量算法性能评估 | 第92-95页 |
| ·测量算法的实时性 | 第92-93页 |
| ·测量算法的精确度 | 第93-95页 |
| 第七章 结论 | 第95-97页 |
| 参考文献 | 第97-100页 |
| 摘要 | 第100-105页 |
| ABSTRACT | 第105-111页 |
| 致谢 | 第111页 |
