基于RBF神经网络的离子束抛光去除函数算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究的背景与意义 | 第8-9页 |
| 1.2 超精密加工技术概况 | 第9-10页 |
| 1.3 离子束抛光技术的发展和研究现状 | 第10-12页 |
| 1.4 课题研究的主要内容及章节安排 | 第12-13页 |
| 第2章 离子束特性研究及去除函数模型的建立 | 第13-22页 |
| 2.1 溅射原理 | 第13-14页 |
| 2.2 溅射产额主要影响参数分析 | 第14-17页 |
| 2.2.1 离子溅射的模拟原理 | 第14页 |
| 2.2.2 入射离子种类及数量的影响 | 第14-15页 |
| 2.2.3 入射角度对溅射产额的影响 | 第15-16页 |
| 2.2.4 离子束能量对溅射产额的影响 | 第16-17页 |
| 2.3 CCOS技术 | 第17-18页 |
| 2.4 去除函数模型建立 | 第18-21页 |
| 2.4.1 均匀束作用下的表面去除速率 | 第18-19页 |
| 2.4.2 去除函数理论模型建立 | 第19-21页 |
| 2.5 本章总结 | 第21-22页 |
| 第3章 去除函数参数的神经网络构建 | 第22-32页 |
| 3.1 神经网络的选取 | 第22-24页 |
| 3.1.1 神经网络选取 | 第22页 |
| 3.1.2 RBF网络的工作原理及优点 | 第22-24页 |
| 3.2 RBF神经网络构建 | 第24-27页 |
| 3.2.1 网络的样本数据和训练方式 | 第24页 |
| 3.2.2 样本数据的归一化 | 第24-27页 |
| 3.2.3 传递函数 | 第27页 |
| 3.3 神经网络算法的实现 | 第27-28页 |
| 3.4 神经网络的训练 | 第28-31页 |
| 3.5 本章总结 | 第31-32页 |
| 第4章 驻留时间求解 | 第32-42页 |
| 4.1 驻留时间算法模型的建立及优化 | 第32-35页 |
| 4.1.1 CEH模型的建立 | 第32-33页 |
| 4.1.2 CEH模型的优化 | 第33-35页 |
| 4.2 驻留时间的求解 | 第35-37页 |
| 4.2.1 SVD算法 | 第36页 |
| 4.2.2 LSQR算法 | 第36-37页 |
| 4.3 模拟仿真 | 第37-39页 |
| 4.4 边缘优化延拓 | 第39-40页 |
| 4.5 本章总结 | 第40-42页 |
| 第5章 全文总结与展望 | 第42-44页 |
| 5.1 全文总结 | 第42-43页 |
| 5.2 研究展望 | 第43-44页 |
| 参考文献 | 第44-46页 |
| 致谢 | 第46页 |
