| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第10-14页 |
| 图表清单 | 第14-17页 |
| 术语表 | 第17-18页 |
| 第1章 绪论 | 第18-36页 |
| ·课题研究背景 | 第18-20页 |
| ·制造业背景 | 第18页 |
| ·制造过程优化 | 第18-19页 |
| ·制造过程建模 | 第19-20页 |
| ·国内外研究现状 | 第20-28页 |
| ·非线性过程建模 | 第20-25页 |
| ·多目标优化 | 第25-28页 |
| ·基于机器学习建模的非线性过程优化的工程应用 | 第28页 |
| ·课题来源 | 第28-29页 |
| ·非线性过程优化存在的问题 | 第29-30页 |
| ·本文研究内容和章节安排 | 第30-32页 |
| 参考文献 | 第32-36页 |
| 第2章 面向制造过程的稳态非线性过程多目标优化系统 | 第36-52页 |
| ·制造过程优化 | 第36-38页 |
| ·制造过程优化方法 | 第36-37页 |
| ·制造过程优化架构 | 第37-38页 |
| ·面向制造过程的稳态非线性系统多目标优化系统化描述 | 第38-39页 |
| ·先验知识或先验模型 | 第39-41页 |
| ·数据采集与预处理 | 第41-43页 |
| ·确定样本集规模 | 第41页 |
| ·样本采集的实验设计 | 第41-42页 |
| ·样本数据集预处理 | 第42-43页 |
| ·非线性建模与模型验证 | 第43页 |
| ·非线性建模 | 第43页 |
| ·模型验证策略 | 第43页 |
| ·多目标优化及控制 | 第43-47页 |
| ·多目标优化方法的分类 | 第44页 |
| ·常用多目标优化方法 | 第44-46页 |
| ·基于"替代"模型的非线性过程优化策略 | 第46-47页 |
| ·基于PARETO多解的决策方法 | 第47-48页 |
| ·最满意解获取方法分类 | 第47-48页 |
| ·本文使用方法 | 第48页 |
| ·基于数据驱动模型的非线性过程优化存在的问题 | 第48-49页 |
| ·本章小结 | 第49页 |
| 参考文献 | 第49-52页 |
| 第3章 基于稀疏贝叶斯学习的建模及其优化 | 第52-72页 |
| ·引言 | 第52-54页 |
| ·贝叶斯学习方法 | 第54-57页 |
| ·贝叶斯学习理论特点 | 第55页 |
| ·贝叶斯学习理论的基本观点 | 第55-56页 |
| ·贝叶斯学习框架中的模型选择与Occam剃刀原则 | 第56-57页 |
| ·相关向量机 | 第57-60页 |
| ·RVM模型定义 | 第58-59页 |
| ·贝叶斯推断 | 第59页 |
| ·RVM模型预测 | 第59-60页 |
| ·控制结构形式 | 第60-62页 |
| ·优化问题的描述 | 第62页 |
| ·优化控制的实施 | 第62-66页 |
| ·基于均匀设计的采样 | 第62-64页 |
| ·相关向量机模型 | 第64-65页 |
| ·遗传算法的工程设计 | 第65-66页 |
| ·实验结果与性能评价 | 第66-69页 |
| ·集成系统开发 | 第66页 |
| ·实验过程 | 第66-67页 |
| ·实验结构与讨论 | 第67-69页 |
| ·本章小结 | 第69页 |
| 参考文献 | 第69-72页 |
| 第4章 基于自适应超球形高斯核的相关向量机回归 | 第72-92页 |
| ·引言 | 第72-74页 |
| ·核方法中的高斯核函数 | 第74-76页 |
| ·相关向量机的模型选择 | 第76-77页 |
| ·自适应宽度高斯核的分阶段证据最大优化 | 第77-84页 |
| ·关于α和σ~2的证据最大化 | 第77-78页 |
| ·基于EM算法的解释 | 第78-79页 |
| ·关于e的证据最大化 | 第79-81页 |
| ·基于自适应高斯核的相关向量机分阶段优化算法 | 第81-82页 |
| ·计算复杂度 | 第82页 |
| ·基于快速相关向量机分阶段优化算法 | 第82-84页 |
| ·性能评价与讨论 | 第84-89页 |
| ·参数优化算法实施 | 第84页 |
| ·多尺度数据集 | 第84-86页 |
| ·Tipping二维Sinc数据集 | 第86-88页 |
| ·基准数据集 | 第88页 |
| ·EDM过程建模 | 第88-89页 |
| ·讨论 | 第89页 |
| ·本章小结 | 第89-90页 |
| 参考文献 | 第90-92页 |
| 第5章 基于GPR模型解释的可靠多目标优化 | 第92-116页 |
| ·引言 | 第92-95页 |
| ·非线性过程辨识的高斯过程回归方法 | 第95-102页 |
| ·高斯过程回归 | 第95-98页 |
| ·多响应回归 | 第98-99页 |
| ·应用GPR对非线性过程建模 | 第99-102页 |
| ·稳态非线性(WEDM-HS)过程优化 | 第102-106页 |
| ·优化系统架构 | 第103-104页 |
| ·模型预测的不确定性度量 | 第104-105页 |
| ·WEDM-HS过程的多优化目标函数 | 第105页 |
| ·集成系统开发 | 第105-106页 |
| ·线切割电火花过程 | 第106-107页 |
| ·优化过程参数选择 | 第106页 |
| ·实验系统 | 第106-107页 |
| ·结果和讨论 | 第107-113页 |
| ·WEDM-HS和EDM建模研究 | 第108-110页 |
| ·WEDM-HS过程模型可靠性优化 | 第110-111页 |
| ·WEDM-HS优化结果决策 | 第111-112页 |
| ·讨论 | 第112页 |
| ·问题界定 | 第112-113页 |
| ·本章小结 | 第113页 |
| 参考文献 | 第113-116页 |
| 第6章 基于相关智能模型融合的非线性过程建模 | 第116-134页 |
| ·引言 | 第116-117页 |
| ·相关工作 | 第117-118页 |
| ·先验模型融合算法 | 第118-121页 |
| ·两类冲突目标值的平衡 | 第120页 |
| ·基于分段相关性迁移插值的重采样算法 | 第120-121页 |
| ·样本点连接策略 | 第121页 |
| ·算法 | 第121-122页 |
| ·仿真研究 | 第122-126页 |
| ·Sinc函数数据集 | 第122-124页 |
| ·机器人手臂数据集 | 第124-125页 |
| ·基准数据集的性能评价与讨论 | 第125-126页 |
| ·WEDM过程建模 | 第126-129页 |
| ·实验系统 | 第126页 |
| ·WEDM过程的模糊模型 | 第126-128页 |
| ·WEDM过程辨识结果 | 第128-129页 |
| ·讨论 | 第129-130页 |
| ·本章小结和展望 | 第130-131页 |
| 参考文献 | 第131-134页 |
| 第7章 非线性系统多目标优化原型系统 | 第134-142页 |
| ·引言 | 第134页 |
| ·非线性系统多目标优化软件架构 | 第134-135页 |
| ·组成模块 | 第135-139页 |
| ·人机交互层 | 第136页 |
| ·Solution信息管理层 | 第136-137页 |
| ·核心功能层 | 第137-139页 |
| ·本文小结 | 第139-140页 |
| 参考文献 | 第140-142页 |
| 第8章 结论与展望 | 第142-146页 |
| ·本文研究创新点 | 第142-143页 |
| ·进一步研究方向与思考 | 第143-144页 |
| 参考文献 | 第144-146页 |
| 附录A 常用高斯过程协方差函数 | 第146-147页 |
| 附录B 高斯分布乘积的计算 | 第147-148页 |
| 附录C WEDM过程的融合GPR模型的MATLAB代码 | 第148-150页 |
| 攻读博士期间发表的论文 | 第150-152页 |
| 攻读博士期间参加的科研项目 | 第152-153页 |
| 致谢 | 第153页 |
