| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 碳纤维生产工艺 | 第11-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 碳纤维牵伸环节正向预测模型国内外研究现状 | 第14页 |
| 1.2.2 碳纤维牵伸环节逆向优化模型国内研究现状 | 第14-15页 |
| 1.3 论文的研究内容和创新点 | 第15-16页 |
| 1.4 论文的章节安排 | 第16-17页 |
| 第二章 机器学习与智能算法的简要综述 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 数据驱动建模 | 第17-18页 |
| 2.3 最小二乘支持向量机 | 第18-19页 |
| 2.4 粒子群优化算法 | 第19-20页 |
| 2.5 多目标优化问题 | 第20-23页 |
| 2.5.1 多目标优化问题的数学模型 | 第21-22页 |
| 2.5.2 Pareto最优解 | 第22-23页 |
| 2.6 NSGA-Ⅱ算法 | 第23-24页 |
| 2.7 小结 | 第24-25页 |
| 第三章 基于幂律法则的PSO优化LS-SVM正向预测模型 | 第25-36页 |
| 3.1 引言 | 第25页 |
| 3.2 基于幂律法则的算法改进 | 第25-30页 |
| 3.2.1 数据预处理 | 第25-26页 |
| 3.2.2 PSO优化LS-SVM建模 | 第26-27页 |
| 3.2.3 基于幂律法则对PSO算法改进 | 第27-30页 |
| 3.3 实验仿真与结果分析 | 第30-35页 |
| 3.3.1 仿真实验 | 第30-33页 |
| 3.3.2 结果分析 | 第33-35页 |
| 3.4 小结 | 第35-36页 |
| 第四章 基于KINSGA-Ⅱ的逆向优化模型 | 第36-50页 |
| 4.1 引言 | 第36页 |
| 4.2 NSGA-Ⅱ多目标优化算法基本思想 | 第36-37页 |
| 4.3 基于K-means聚类和反比例分布的KINSGA-Ⅱ算法 | 第37-41页 |
| 4.3.1 全局最优引导算子的选取 | 第37-39页 |
| 4.3.2 初始种群多样性分布 | 第39-40页 |
| 4.3.3 KINSGA-II详细算法 | 第40-41页 |
| 4.4 KINSGA-Ⅱ算法对测试函数的仿真结果与讨论 | 第41-45页 |
| 4.4.1 仿真参数设置 | 第42页 |
| 4.4.2 仿真对比分析 | 第42-45页 |
| 4.5 KINSGA-Ⅱ算法对牵伸环节的仿真结果与讨论 | 第45-49页 |
| 4.5.1 仿真参数设置 | 第45-46页 |
| 4.5.2 仿真对比分析 | 第46-49页 |
| 4.6 小结 | 第49-50页 |
| 第五章 碳纤维牵伸环节的双向优化可视化平台 | 第50-62页 |
| 5.1 引言 | 第50页 |
| 5.2 双向智能优化模型的构成 | 第50-51页 |
| 5.3 可视化平台的设计步骤 | 第51页 |
| 5.4 可视化平台的制作步骤 | 第51-56页 |
| 5.5 可视化平台的实现 | 第56-61页 |
| 5.5.1 数据选择界面的实现 | 第56-58页 |
| 5.5.2 性能预测界面的实现 | 第58-60页 |
| 5.5.3 工艺优化界面的实现 | 第60-61页 |
| 5.6 小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71-72页 |
| 附录：攻读硕士期间发表的论文和参与的项目 | 第72页 |
