| 提要 | 第1-8页 |
| 第一章 绪论 | 第8-14页 |
| ·引言 | 第8页 |
| ·人工神经网络简介 | 第8-11页 |
| ·人工神经网络的发展概述 | 第8-10页 |
| ·人工神经网络的特点 | 第10页 |
| ·人工神经网络的应用领域 | 第10-11页 |
| ·板料成形过程模拟及其与人工神经网络的关系 | 第11-12页 |
| ·课题的背景、意义、国内外现状及研究内容 | 第12-14页 |
| ·课题背景、目的及意义 | 第12页 |
| ·国内外研究现状 | 第12-13页 |
| ·课题研究的主要内容 | 第13-14页 |
| 第二章 人工神经网络技术 | 第14-24页 |
| ·引言 | 第14页 |
| ·人工神经网络的基本原理 | 第14-18页 |
| ·生物神经元的模型与特点 | 第14-15页 |
| ·人工神经网络处理单元 | 第15-17页 |
| ·神经网络模型 | 第17-18页 |
| ·人工神经网络的分类 | 第18-22页 |
| ·感知器 | 第18页 |
| ·自适应线性元件 | 第18-19页 |
| ·反馈网络 | 第19页 |
| ·自组织竞争人工神经网络 | 第19页 |
| ·反向传播网络 | 第19-21页 |
| ·径向基函数网络 | 第21-22页 |
| ·基于人工神经网络的成形缺陷预测模型 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 构建人工神经网络的准备工作 | 第24-46页 |
| ·本文的研究对象 | 第24-27页 |
| ·汽车新型消声器简介 | 第24-25页 |
| ·冲压工艺分析 | 第25-26页 |
| ·工序编排 | 第26-27页 |
| ·不锈钢性能对冲压工艺的影响 | 第27-29页 |
| ·消声器预混腔体成形缺陷的种类和判断依据 | 第29-34页 |
| ·冲压成形缺陷的种类及位置确定 | 第29-30页 |
| ·起皱准则 | 第30-31页 |
| ·拉裂准则 | 第31-32页 |
| ·影响消声器预混腔体成形性的工艺参数分析 | 第32-34页 |
| ·有限元模拟的方法和过程 | 第34-40页 |
| ·前处理 | 第34-37页 |
| ·求解 | 第37-38页 |
| ·后处理 | 第38页 |
| ·样本数据的选取 | 第38-40页 |
| ·模拟结果分析 | 第40-43页 |
| ·本章小结 | 第43-46页 |
| 第四章 冲压成形缺陷预测的人工神经网络的设计和训练 | 第46-66页 |
| ·引言 | 第46页 |
| ·BP 人工神经网络的构建和训练 | 第46-55页 |
| ·神经网络模型的选取 | 第46-47页 |
| ·BP 网络结构的建立 | 第47-49页 |
| ·学习样本的建立 | 第49-51页 |
| ·网络初始化 | 第51页 |
| ·编程实现 | 第51-53页 |
| ·网络性能测试 | 第53-55页 |
| ·BP 算法的改进及其结果比较 | 第55-61页 |
| ·采用变学习速率算法 | 第55-56页 |
| ·采用弹性BP 算法 | 第56-57页 |
| ·采用共轭梯度算法 | 第57-58页 |
| ·采用拟牛顿算法 | 第58-59页 |
| ·采用一步割线算法 | 第59-60页 |
| ·采用Levenberg-Marquardt 优化算法 | 第60-61页 |
| ·RBF 网络的构建和训练 | 第61-63页 |
| ·本章小结 | 第63-66页 |
| 第五章 基于人工神经网络的压边力优化初探 | 第66-72页 |
| ·引言 | 第66页 |
| ·压边力优化神经网络的建立 | 第66-69页 |
| ·网络参数的选取 | 第66-67页 |
| ·学习样本的获得 | 第67-69页 |
| ·网络训练及测试 | 第69-70页 |
| ·本章小结 | 第70-72页 |
| 第六章 结论与展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 摘要 | 第78-81页 |
| ABSTRACT | 第81-84页 |
| 致谢 | 第84页 |