| 第一章 文献综述 | 第1-15页 |
| §1-1 材料设计的现状与发展 | 第7-10页 |
| 1-1-1 现代材料的设计和开发 | 第7-9页 |
| 1-1-2 材料设计的发展趋势 | 第9-10页 |
| §1-2 人工智能方法 | 第10-12页 |
| 1-2-1 专家系统 | 第11页 |
| 1-2-2 人工神经网络 | 第11-12页 |
| §1-3 人工神经网络在材料设计中的应用 | 第12-14页 |
| 1-3-1 预测成分含量 | 第13页 |
| 1-3-2 预测力学性能 | 第13页 |
| 1-3-3 预测控制参数 | 第13-14页 |
| 1-3-4 自动控制 | 第14页 |
| §1-4 课题的提出及意义 | 第14-15页 |
| 第二章 人工神经网络 | 第15-23页 |
| §2-1 生物神经元及大脑结构特点 | 第15页 |
| §2-2 人工神经元模型 | 第15-17页 |
| §2-3 人工神经网络的拓扑结构 | 第17-18页 |
| §2-4 人工神经网络学习过程 | 第18-19页 |
| 2-4-1 学习过程 | 第18-19页 |
| 2-4-2 运行过程 | 第19页 |
| §2-5 学习规则 | 第19-20页 |
| §2-6 人工神经网络技术方法 | 第20-21页 |
| §2-7 人工神经网络发展与现状 | 第21-23页 |
| 第三章 反向传播（BP）网络及算法设计 | 第23-32页 |
| §3-1 BP网络结构 | 第24页 |
| §3-2 BP学习规则 | 第24-26页 |
| 3-2-1 信息的正向传递 | 第25页 |
| 3-2-2 利用梯度下降法求权值变化及误差的反向传播 | 第25-26页 |
| §3-3 BP网络的学习过程 | 第26-27页 |
| §3-4 网络结构的选定 | 第27-28页 |
| 3-4-1 网络层数的确定 | 第27页 |
| 3-4-2 隐含层的确定 | 第27-28页 |
| 3-4-3 训练样本的选取 | 第28页 |
| §3-5 训练参数的选取 | 第28-29页 |
| 3-5-1 初始权值的选取 | 第28页 |
| 3-5-2 学习速率 | 第28页 |
| 3-5-3 动量因子的选取 | 第28-29页 |
| 3-5-4 误差函数E与允许误差ε | 第29页 |
| 3-5-5 激励函数 | 第29页 |
| §3-6 反向传播的限制与不足 | 第29-30页 |
| §3-7 反向传播的改进方法 | 第30-32页 |
| 第四章 人工神经网络在淬透性曲线预测中的应用 | 第32-40页 |
| §4-1 淬透性及其意义 | 第32页 |
| §4-2 BP网络结构及其训练 | 第32-40页 |
| 4-2-1 BP网络结构 | 第32-34页 |
| 4-2-2 引入动量项 | 第34-37页 |
| 4-2-3 网络训练结果 | 第37-38页 |
| 4-2-4 网络的检验 | 第38-40页 |
| 第五章 人工神经网络在材料合金设计中的预测 | 第40-48页 |
| §5-1 合金成分预测 | 第40-45页 |
| 5-1-1 网络训练 | 第41-43页 |
| 5-1-2 材料化学成分设计 | 第43-45页 |
| §5-2 屈服强度的预测 | 第45-48页 |
| 5-2-1 网络的模型及训练 | 第45-46页 |
| 5-2-2 与经验公式比较 | 第46-48页 |
| 第六章 相变临界点的预测 | 第48-54页 |
| §6-1 奥氏体点的预测 | 第48-51页 |
| 6-1-1 网络的训练 | 第48-50页 |
| 6-1-2 单个元素变化对相变的影响 | 第50-51页 |
| §6-2 马氏体开始转变点Ms的预测 | 第51-54页 |
| 6-2-1 BP网络结构及训练 | 第51-52页 |
| 6-2-2 与经验公式的比较 | 第52-54页 |
| 第七章 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录A | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间所取得的相关科研成果 | 第64页 |