| 摘要 | 第1-5页 |
| ABSTRACT | 第5-13页 |
| 第一章 文献综述 | 第13-29页 |
| ·材料设计的发展和现状 | 第13-14页 |
| ·计算机辅助设计方法在材料设计中的应用 | 第14-26页 |
| ·计算机辅助材料设计的层次 | 第14-15页 |
| ·数据挖掘的基本概念和常用方法 | 第15-26页 |
| ·数据挖掘的步骤 | 第15-16页 |
| ·数据挖掘常用方法 | 第16-18页 |
| ·材料数据的复杂性和数据信息挖掘的必要性 | 第18-20页 |
| ·数据信息挖掘技术在材料设计中的应用状况 | 第20-26页 |
| ·本文工作的研究内容和特点 | 第26-29页 |
| 第二章 材料设计中的数据挖掘方法 | 第29-61页 |
| ·数据表示与数据预处理 | 第29-30页 |
| ·回归方法 | 第30-34页 |
| ·主成分分析与主成分回归 | 第31-33页 |
| ·主成分分析 | 第31-32页 |
| ·主成分回归 | 第32-33页 |
| ·偏最小二乘(PLS)法 | 第33-34页 |
| ·人工神经网络 | 第34-40页 |
| ·概述 | 第34-36页 |
| ·神经网络的学习规则 | 第36页 |
| ·反向传播神经网络 | 第36-38页 |
| ·BP网络设计问题 | 第38页 |
| ·BP算法的改进 | 第38-39页 |
| ·网络的数学解释 | 第39页 |
| ·传统BP算法主要缺点及改进 | 第39-40页 |
| ·神经网络网络的应用 | 第40页 |
| ·支持向量机(SVM) | 第40-54页 |
| ·支持向量机方法的原理及应用现状 | 第41-54页 |
| ·理论背景 | 第41-43页 |
| ·统计学习理论 | 第43-48页 |
| ·支持向量机方法基本原理 | 第48-54页 |
| ·遗传算法 | 第54-61页 |
| ·进化计算 | 第54-55页 |
| ·遗传算法的起源和发展 | 第55-56页 |
| ·遗传算法基本思想 | 第56页 |
| ·遗传算法的实现 | 第56-59页 |
| ·遗传算法的特点 | 第59页 |
| ·遗传算法的缺陷及改进 | 第59-61页 |
| 第三章 数据挖掘方法在高导电、高弹性铜合金中的应用 | 第61-66页 |
| ·引言 | 第61-62页 |
| ·导电弹性材料的性能要求及应用 | 第62-66页 |
| ·时效强化型合金 | 第62-64页 |
| ·调幅分解型合金 | 第64-66页 |
| 第四章 数据挖掘方法在Cu-15Ni-8Sn合金中的应用 | 第66-105页 |
| ·基于神经网络的模型 | 第67-71页 |
| ·典型的神经网络 | 第67页 |
| ·径向基函数网络 | 第67-68页 |
| ·广义回归神经网络 | 第68-71页 |
| ·GRNN的理论基础 | 第69-70页 |
| ·GRNN的网络结构 | 第70-71页 |
| ·光滑因子的优化 | 第71页 |
| ·基于最小二乘支持向量机(LSSVM)的模型 | 第71-73页 |
| ·Libsvm算法包 | 第71-72页 |
| ·最小二乘支持向量机(LSSVM) | 第72-73页 |
| ·用LSSVM和GRNN方法模拟SI含量对CU-15Ni-8Sn-XSi合金性能的影响 | 第73-88页 |
| ·实验数据样本的选择 | 第74-75页 |
| ·LSSVM和GRNN模型预报结果 | 第75-84页 |
| ·Cu-15Ni-8Sn-XSi合金相变动力学方程及导电率方程 | 第84-88页 |
| ·用LSSVM和GRNN模拟预冷变形对Cu-15Ni-8Sn-XSi合金性能的影响 | 第88-96页 |
| ·实验数据样本的选择 | 第88-89页 |
| ·LSSVM和GRNN模型预报结果 | 第89-96页 |
| ·进化人工神经网络方法用于预测Cu-15Ni-8Sn-0.4Si合金的性能 | 第96-103页 |
| ·基于差分进化算法结合人工神经网络模型的原理 | 第96-99页 |
| ·差分进化算法 | 第96-98页 |
| ·差分进化人工神经网络(DEANN) | 第98-99页 |
| ·实验数据样本的选择 | 第99-100页 |
| ·不同模型的预报结果 | 第100-103页 |
| ·本章小结 | 第103-105页 |
| 第五章 数据挖掘方法在高导电高弹性Cu-Ti系合金中应用 | 第105-151页 |
| ·引言 | 第105页 |
| ·Cu-Ti合金的富铜区的相图 | 第105-106页 |
| ·Cu-Ti合金相早期的分解过程 | 第106-108页 |
| ·Cu-Ti合金时效后期的显微组织结构 | 第108-109页 |
| ·Cu-Ti合金的性能 | 第109-110页 |
| ·存在的问题与展望 | 第110-111页 |
| ·用RBF-PLSR、LSSVM和GRNN方法预测CU-1.5WT%Ti合金性能 | 第111-125页 |
| ·基于偏最小二乘回归(PLSR)算法的RBF网络 | 第111-113页 |
| ·PLS成分选取 | 第112页 |
| ·径向基神经网络(RBFN)和PLSR的结合 | 第112-113页 |
| ·实验数据样本的选择 | 第113-114页 |
| ·RBF-PLSR、LSSVM和GRNN模型预报结果 | 第114-125页 |
| ·用LSSVM方法预测Cu-4.5WT%Ti合金性能 | 第125-135页 |
| ·实验数据样本的选择 | 第125-126页 |
| ·LSSVM模型预报结果 | 第126-135页 |
| ·用RBF-PLSR、LSSVM和GRNN方法预测Cu-4.5Ti-0.5Co合金性能 | 第135-141页 |
| ·实验数据样本的选择 | 第136页 |
| ·RBF-PLSR、LSSVM和GRNN模型预报结果 | 第136-141页 |
| ·用RBF-PLSR和LSSVM方法预测CU-3WT%Ti-1wr%Cr合金性能 | 第141-149页 |
| ·实验数据样本的选择 | 第142页 |
| ·RBF-PLSR和LSSVM模型预报结果 | 第142-149页 |
| ·本章小结 | 第149-151页 |
| 第六章 PLS-BPN法用于7005铝合金力学性能与工艺参数的定量研究 | 第151-161页 |
| ·引言 | 第151页 |
| ·模式识别-人工智能优化原理简介 | 第151-153页 |
| ·结果与讨论 | 第153-159页 |
| ·7005铝合金力学性能的定性分析 | 第153-156页 |
| ·不同目标变量的模式识别分类图 | 第153-155页 |
| ·多目标变量的模式识别优化分析 | 第155-156页 |
| ·7005铝合金力学性能的定量计算 | 第156-159页 |
| ·结论 | 第159-161页 |
| 第七章 混合遗传算法和支持向量回归预测金属材料大气腐蚀 | 第161-175页 |
| ·引言 | 第161-163页 |
| ·改进的遗传算法应用于SVR参数优化 | 第163-164页 |
| ·GASVR模型的建立 | 第164-165页 |
| ·GASVR模型模拟结果 | 第165-173页 |
| ·模型训练和测试的准备过程 | 第165-166页 |
| ·模型参数的确定和计算结果 | 第166-173页 |
| ·本章小结 | 第173-175页 |
| 第八章 全文总结 | 第175-178页 |
| 参考文献 | 第178-200页 |
| 致谢 | 第200-201页 |
| 发表论文情况 | 第201页 |
| 参研项目 | 第201-202页 |
