| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 控制图模式识别研究现状 | 第10-13页 |
| 1.2.2 神经网络集成的研究现状 | 第13-15页 |
| 1.3 本文研究内容及技术路线 | 第15-17页 |
| 1.4 本章小结 | 第17-18页 |
| 2 相关理论基础 | 第18-37页 |
| 2.1 统计过程控制和控制图 | 第18-23页 |
| 2.1.1 统计过程控制的相关理论 | 第18-19页 |
| 2.1.2 控制图的相关理论 | 第19-23页 |
| 2.2 神经网络集成 | 第23-31页 |
| 2.2.1 神经网络的基本理论 | 第23页 |
| 2.2.2 网络的泛化能力 | 第23-26页 |
| 2.2.3 神经网络集成的基本理论 | 第26-29页 |
| 2.2.4 Bagging和Adaboost集成方法 | 第29-31页 |
| 2.3 协同进化 | 第31-36页 |
| 2.3.1 协同进化的相关理论 | 第31-33页 |
| 2.3.2 神经网络学习算法与协同进化算法相结合 | 第33-36页 |
| 2.4 本章小结 | 第36-37页 |
| 3 构建基于协同进化神经网络集成的控制图模式识别模型 | 第37-53页 |
| 3.1 神经网络集成泛化能力的理论分析 | 第37-38页 |
| 3.2 基于协同进化的的神经网络集成 | 第38-48页 |
| 3.3 个体神经网络的生成 | 第48-50页 |
| 3.4 控制图模式识别的模型框架 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 4 基于协同进化神经网络集成的控制图模式识别仿真分析 | 第53-61页 |
| 4.1 仿真样本数据的构建与预处理 | 第53-55页 |
| 4.2 基于协同进化网络集成的仿真结果及分析 | 第55-58页 |
| 4.2.1 参数设置 | 第55页 |
| 4.2.2 仿真结果分析 | 第55-58页 |
| 4.3 与其他方法的比较分析 | 第58-59页 |
| 4.3.1 与单个BP和RBF神经网络的比较分析 | 第58-59页 |
| 4.3.2 与Bagging和Adaboost集成方法的比较分析 | 第59页 |
| 4.4 实验总结 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 5 结论及展望 | 第61-63页 |
| 5.1 研究结论 | 第61页 |
| 5.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
