基于遗传算法和神经网络模型的智能化拉深参数实时识别
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 第1章 绪论 | 第9-21页 |
| 1．1 引言 | 第9-11页 |
| 1．2 拉深成形智能化技术的研究 | 第11-13页 |
| 1．3 人工神经网络和遗传算法的研究及应用 | 第13-19页 |
| 1．4 选题意义及主要研究内容 | 第19-21页 |
| 第2章 参数实时识别建模 | 第21-33页 |
| 2．1 引言 | 第21页 |
| 2．2 参数识别解析算法模型 | 第21-23页 |
| 2．3 参数识别BP网络模型及算法 | 第23-27页 |
| 2．3．1 参数识别BP网络模型 | 第23页 |
| 2．3．2 参数识别BP网络算法 | 第23-27页 |
| 2．4 参数识别GA-ENN网络模型 | 第27-31页 |
| 2．4．1 GA-ENN网络基本结构 | 第27页 |
| 2．4．2 输入层与输出层设计 | 第27-29页 |
| 2．4．3 隐层数及隐单元数的选择 | 第29-30页 |
| 2．4．4 遗传算法具体实现 | 第30-31页 |
| 2．5 本章小结 | 第31-33页 |
| 第3章 GA-ENN模型程序设计 | 第33-47页 |
| 3．1 编程语言的特点 | 第33-36页 |
| 3．2 GA-ENN算法 | 第36-38页 |
| 3．3 GA-ENN算法的界面设计 | 第38-39页 |
| 3．4 程序关键问题 | 第39-44页 |
| 3．5 算例-异或问题（XOR） | 第44-46页 |
| 3．6 本章小结 | 第46-47页 |
| 第4章 数据样本采集 | 第47-63页 |
| 4．1 轴对称件拉深实验 | 第47-60页 |
| 4．1．1 工作原理 | 第47-50页 |
| 4．1．2 实验拉深模具 | 第50-51页 |
| 4．1．3 液压系统 | 第51-52页 |
| 4．1．4 控制策略 | 第52-55页 |
| 4．1．5 轴对称件拉深成形系统的标定 | 第55-58页 |
| 4．1．6 数据处理 | 第58-60页 |
| 4．2 板材单向拉深实验 | 第60-62页 |
| 4．2．1 实验系统原理 | 第60页 |
| 4．2．2 控制策略 | 第60-62页 |
| 4．2．3 数据处理 | 第62页 |
| 4．3 本章小结 | 第62-63页 |
| 第5章 GA-ENN模型相关问题研究及结果处理 | 第63-72页 |
| 5．1 适应度及定标 | 第63-66页 |
| 5．1．1 常数C的选取 | 第63-64页 |
| 5．1．2 适应度函数定标 | 第64-66页 |
| 5．2 自适应调整交叉和变异概率 | 第66-67页 |
| 5．3 验证实验 | 第67-71页 |
| 5．3．1 样本归一化 | 第67-68页 |
| 5．3．2 网络学习结果 | 第68-71页 |
| 5．4 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-81页 |
| 攻读硕士学位期间所发表的论文 | 第81-82页 |
| 致谢 | 第82-83页 |
| 个人简历 | 第83页 |
