| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-20页 |
| ·课题来源 | 第11页 |
| ·课题研究背景及意义 | 第11-12页 |
| ·喷丸强化技术发展概况 | 第12-17页 |
| ·喷丸强化技术的研究 | 第12页 |
| ·射流喷丸强化技术的研究 | 第12-14页 |
| ·表面粗糙度的研究 | 第14-15页 |
| ·显微维氏硬度的研究 | 第15-16页 |
| ·残余应力的研究 | 第16-17页 |
| ·技术路线 | 第17-18页 |
| ·主要研究内容 | 第18-20页 |
| 2 射流喷丸表面质量评价体系研究 | 第20-25页 |
| ·表面质量指标形成机理分析 | 第20-21页 |
| ·表面质量的评价参数 | 第21-22页 |
| ·射流喷丸强化试验 | 第22页 |
| ·表面质量预测方法 | 第22-24页 |
| ·主要研究方法 | 第22-24页 |
| ·前期研究基础 | 第24页 |
| ·表面质量预测方法的选择 | 第24页 |
| ·本章小结 | 第24-25页 |
| 3 前馈神经网络表面质量预测研究 | 第25-41页 |
| ·人工神经网络理论基础 | 第25-26页 |
| ·人工神经网络特点 | 第26-27页 |
| ·高度的并行性 | 第26页 |
| ·高度的非线性全局作用 | 第26页 |
| ·良好的容错与联想记忆功能 | 第26-27页 |
| ·自适应能力 | 第27页 |
| ·标准BP神经网络 | 第27-30页 |
| ·标准BP神经网络结构 | 第27-28页 |
| ·标准BP神经网络学习算法 | 第28-30页 |
| ·标准BP神经网络预测表面粗糙度模型的建立 | 第30-36页 |
| ·输入和输出层的设计 | 第31页 |
| ·隐含层的设计 | 第31-32页 |
| ·传递函数的设计 | 第32-33页 |
| ·学习率和目标函数的设计 | 第33页 |
| ·数据预处理 | 第33-34页 |
| ·标准BP神经网络表面粗糙度预测 | 第34-35页 |
| ·BP神经网络与小波包预测结果比较 | 第35-36页 |
| ·基于LM神经网络表面质量预测模型的建立 | 第36-40页 |
| ·标准BP神经网络算法的局限性 | 第36页 |
| ·对标准BP神经网络的改进方法 | 第36-37页 |
| ·LM改进算法 | 第37-38页 |
| ·基于LM预测模型网络结构设计 | 第38页 |
| ·LM神经网络表面质量预测 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 4 反馈神经网络表面质量预测的研究 | 第41-47页 |
| ·标准Elman神经网络 | 第41-44页 |
| ·标准Elman神经网络结构 | 第41-42页 |
| ·标准Elman神经网络学习算法 | 第42-44页 |
| ·基于Elman神经网络表面质量预测模型的建立 | 第44-46页 |
| ·Elman神经网络算法的选取 | 第44页 |
| ·基于Elman预测模型网络结构设计 | 第44-45页 |
| ·Elman神经网络表面质量预测 | 第45-46页 |
| ·LM前馈神经网络和Elman反馈神经网络预测效果比较 | 第46页 |
| ·本章小结 | 第46-47页 |
| 5 喷丸表面质量预测软件系统设计 | 第47-56页 |
| ·预测软件系统的功能构成与结构设计 | 第47页 |
| ·软件基础 | 第47-50页 |
| ·软件平台的介绍 | 第47-49页 |
| ·混合编程实现方法 | 第49-50页 |
| ·表面质量预测软件系统界面设计 | 第50-52页 |
| ·射流喷丸表面质量预测软件系统的实现 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 结论与展望 | 第56-57页 |
| 结论 | 第56页 |
| 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者简历 | 第61-63页 |
| 一、基本情况 | 第61页 |
| 二、学术论文 | 第61页 |
| 三、获奖情况 | 第61页 |
| 四、研究项目 | 第61-63页 |
| 学位论文数据集 | 第63页 |