基于小波分析的控制图混合异常模式识别研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究的背景以及意义 | 第10-12页 |
| 1.1.1 论文的研究背景 | 第10-12页 |
| 1.1.2 论文研究的意义 | 第12页 |
| 1.2 控制图识别国内外研究现状及发展趋势 | 第12-15页 |
| 1.3 小波分析的应用现状 | 第15-16页 |
| 1.4 论文研究的主要内容 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 质量控制图异常模式 | 第18-32页 |
| 2.1 质量控制图的描述 | 第18页 |
| 2.2 统计控制图原理 | 第18-21页 |
| 2.2.1 正态分布的知识介绍 | 第18-20页 |
| 2.2.2 控制图的设计原理 | 第20-21页 |
| 2.3 控制图监控的两类错误 | 第21-22页 |
| 2.4 控制图对所处状态的判断准则 | 第22-28页 |
| 2.4.1 判断稳态的准则 | 第22-23页 |
| 2.4.2 判断异常的准则 | 第23-27页 |
| 2.4.3 接近完全合格率产品过程的判异准则 | 第27-28页 |
| 2.5 质量控制图模式 | 第28-31页 |
| 2.5.1 质量控制图基本模式 | 第28-29页 |
| 2.5.2 质量控制图混合异常模式 | 第29页 |
| 2.5.3 常见基本异常模式的识别方法 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 3 神经网络识别控制图模式 | 第32-42页 |
| 3.1 神经网络基本理论 | 第32-34页 |
| 3.1.1 神经元模型 | 第32-33页 |
| 3.1.2 神经网络结构 | 第33-34页 |
| 3.2 BP网络 | 第34-39页 |
| 3.2.1 BP网络的结构 | 第34页 |
| 3.2.2 BP算法的数学描述 | 第34-36页 |
| 3.2.3 BP算法存在的缺陷 | 第36-37页 |
| 3.2.4 改进的BP算法 | 第37-39页 |
| 3.3 MATLAB神经网络工具箱介绍 | 第39-41页 |
| 3.3.1 MATLAB简介 | 第39页 |
| 3.3.2 MATLAB神经网络工具箱介绍 | 第39-41页 |
| 3.4 对混合异常模式识别的设计方案 | 第41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 BP神经网络对基础异常模式的识别 | 第42-51页 |
| 4.1 控制图模式识别样本数据的产生 | 第42-43页 |
| 4.2 样本的选取原则 | 第43-44页 |
| 4.3 控制图基本模式样本数据产生 | 第44-45页 |
| 4.4 建立质量控制图模式识别模型 | 第45-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 基于小波分析的质量控制图混合异常模式识别 | 第51-71页 |
| 5.1 小波基础理论 | 第51-53页 |
| 5.1.1 小波分析的原理 | 第51页 |
| 5.1.2 小波变换的概念 | 第51-52页 |
| 5.1.3 小波提取特征的算法 | 第52-53页 |
| 5.2 特征提取小波函数的选择 | 第53-58页 |
| 5.2.1 常用小波函数 | 第53-56页 |
| 5.2.2 小波函数的选取 | 第56-58页 |
| 5.3 基于小波分析的控制图模式识别 | 第58-60页 |
| 5.3.1 DWNN控制图模式识别特点 | 第58-59页 |
| 5.3.2 DWNN控制图模式识别模型 | 第59-60页 |
| 5.4 DWNN模型识别分析 | 第60-69页 |
| 5.4.1 小波提取特征 | 第60-66页 |
| 5.4.2 小波分解函数以及重组系数的确定 | 第66-69页 |
| 5.5 识别效果对比 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附录 | 第80-83页 |
