| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 引言 | 第10页 |
| 1.2 钢铁材料的发展以及金属变形抗力的研究 | 第10-12页 |
| 1.2.1 钢铁材料的发展 | 第10-11页 |
| 1.2.2 QP1180超强钢简介 | 第11页 |
| 1.2.3 金属变形抗力的研究概况 | 第11-12页 |
| 1.3 人工神经网络简介 | 第12-13页 |
| 1.4 粒子群算法的概述与应用 | 第13页 |
| 1.5 粒子群算法优化BP神经网络 | 第13-14页 |
| 1.6 ANN在变形抗力探究中的应用 | 第14页 |
| 1.7 本文的研究内容 | 第14-15页 |
| 第二章 BP神经网络算法 | 第15-27页 |
| 2.1 人工神经网络 | 第15-19页 |
| 2.1.1 人工神经网络简介 | 第15-16页 |
| 2.1.3 人工神经网络结构模型 | 第16-17页 |
| 2.1.4 常用传递函数 | 第17-18页 |
| 2.1.5 人工神经网络的特性特点 | 第18-19页 |
| 2.2 BP神经网络算法 | 第19-23页 |
| 2.2.1 BP算法简介 | 第19页 |
| 2.2.2 BP神经网络结构 | 第19-20页 |
| 2.2.3 BP算法的数学原理 | 第20-22页 |
| 2.2.4 BP神经网络算法存在的问题 | 第22-23页 |
| 2.3 BP神经网络的非线性函数拟合实验 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 粒子群算法及其改进方法 | 第27-39页 |
| 3.1 基本粒子群算法 | 第27-30页 |
| 3.1.1 基本粒子群算法简介 | 第27-28页 |
| 3.1.2 基本粒子群算法的数学模型 | 第28页 |
| 3.1.3 粒子群算法基本流程 | 第28-29页 |
| 3.1.4 粒子群算法的社会行为分析 | 第29-30页 |
| 3.1.5 粒子群优化算法的特点 | 第30页 |
| 3.2 标准粒子群算法 | 第30-34页 |
| 3.2.1 带惯性权重的粒子群算法 | 第30-31页 |
| 3.2.2 标准粒子群算法参数设置 | 第31-32页 |
| 3.2.3 标准粒子群算法的收敛性分析 | 第32-34页 |
| 3.3 改进的粒子群优化算法 | 第34页 |
| 3.4 改进粒子群优化算法在函数中的测试 | 第34-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 改进的粒子群算法优化BP神经网络 | 第39-45页 |
| 4.1 引言 | 第39页 |
| 4.2 PSO-BP神经网络模型设计 | 第39-40页 |
| 4.3 算法流程 | 第40-41页 |
| 4.4 PSO-BP模型的非线性函数拟合实验 | 第41-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 PSO-BP模型在QP1180变形抗力预测中的应用 | 第45-54页 |
| 5.1 QP1180单向拉伸实验 | 第45-47页 |
| 5.2 预测模型建立 | 第47-48页 |
| 5.3 预测结果分析 | 第48-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 结论与展望 | 第54-56页 |
| 6.1 结论 | 第54页 |
| 6.2 不足与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 在学期间的研究成果 | 第60-61页 |
| 致谢 | 第61页 |