| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及选题意义 | 第10-13页 |
| 1.1.1 课题研究背景 | 第10-12页 |
| 1.1.2 选题意义 | 第12-13页 |
| 1.2 汽车风挡玻璃模具研究现状 | 第13-17页 |
| 1.2.1 汽车玻璃成形的数值模拟研究 | 第14-15页 |
| 1.2.2 汽车后挡玻璃模具的智能化研究 | 第15-16页 |
| 1.2.3 各种方案比较 | 第16-17页 |
| 1.3 汽车玻璃简介 | 第17-18页 |
| 1.4 本文的主要研究内容 | 第18-19页 |
| 1.5 课题研究目标及可行性分析 | 第19-20页 |
| 1.5.1 课题研究目标 | 第19页 |
| 1.5.2 可行性分析 | 第19-20页 |
| 第2章 基于UG二次开发的汽车后挡玻璃及其模具处理 | 第20-36页 |
| 2.1 引言 | 第20页 |
| 2.2 简介UG二次开发模块 | 第20-22页 |
| 2.3 确定后挡玻璃模型的坐标系 | 第22-27页 |
| 2.3.1 确定坐标系的位置 | 第22-23页 |
| 2.3.2 设定坐标系的方法 | 第23-24页 |
| 2.3.3 设定坐标系的过程 | 第24-27页 |
| 2.4 提取后挡玻璃及其模具上的训练样本 | 第27-33页 |
| 2.4.1 样本模型的分类原则 | 第27-28页 |
| 2.4.2 获取训练样本信息 | 第28-32页 |
| 2.4.3 训练样本的形式 | 第32-33页 |
| 2.5 开发后挡玻璃及其模具处理的交互界面 | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 基于BP神经网络的汽车玻璃与模具样本数据训练 | 第36-70页 |
| 3.1 引言 | 第36页 |
| 3.2 人工神经网络的基本理论 | 第36-46页 |
| 3.2.1 人工神经网络简介 | 第36-38页 |
| 3.2.2 BP神经网络模型 | 第38-43页 |
| 3.2.3 BP神经网络的学习规则 | 第43-46页 |
| 3.3 BP神经网络的创建 | 第46-47页 |
| 3.3.1 三层BP神经网络结构 | 第46-47页 |
| 3.3.2 三层BP神经网络的学习过程 | 第47页 |
| 3.4 后挡玻璃与其模具样本的训练 | 第47-66页 |
| 3.4.1 训练算法的确定 | 第47-60页 |
| 3.4.2 传递函数的选择 | 第60页 |
| 3.4.3 训练步骤 | 第60-65页 |
| 3.4.4 训练结果分析 | 第65-66页 |
| 3.5 神经网络的改进 | 第66-68页 |
| 3.5.1 改进网络的训练效率 | 第66-67页 |
| 3.5.2 改进网络的可靠性 | 第67-68页 |
| 3.5.3 综合改进网络 | 第68页 |
| 3.6 本章小结 | 第68-70页 |
| 第4章 汽车后挡玻璃模具型面的虚拟设计及实验验证 | 第70-86页 |
| 4.1 引言 | 第70页 |
| 4.2 后挡玻璃模具型面的虚拟设计流程 | 第70-79页 |
| 4.2.1 虚拟设计流程 | 第70-72页 |
| 4.2.2 虚拟设计步骤 | 第72-79页 |
| 4.3 后挡玻璃模具型面的虚拟设计结果 | 第79页 |
| 4.4 模具虚拟设计结果的实验验证 | 第79-85页 |
| 4.4.1 设计制造模具 | 第80页 |
| 4.4.2 检测模具型面 | 第80-83页 |
| 4.4.3 玻璃成形实验 | 第83-84页 |
| 4.4.4 检测玻璃型面 | 第84-85页 |
| 4.5 本章小结 | 第85-86页 |
| 结论 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 附录 | 第92-108页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第108-109页 |
| 致谢 | 第109-110页 |
| 作者简介 | 第110页 |