首页--工业技术论文--轻工业、手工业论文--木材加工工业、家具制造工业论文--加工工艺论文--人造板生产论文

基于支持向量机的热压混合材料板力学特性预测模型研究

摘要第8-9页
英文摘要第9-10页
1 引言第11-17页
    1.1 研究背景、目的及意义第11-12页
    1.2 国内外研究现状第12-15页
        1.2.1 机器学习算法的研究现状第12-13页
        1.2.2 智能优化算法的研究现状第13-14页
        1.2.3 热压板材性能预测的研究现状第14-15页
    1.3 研究的主要内容第15-16页
    1.4 章节安排第16-17页
2 热压过程分析与试验设计第17-25页
    2.1 混合材料板性能指标分析第17-18页
    2.2 影响混合材料板性能的主要因素第18-21页
        2.2.1 板坯关键属性第19页
        2.2.2 热压控制因素第19-21页
    2.3 试验材料与方法第21-22页
        2.3.1 实验仪器、设备及材料第21页
        2.3.2 热压试验流程第21-22页
        2.3.3 试验方法第22页
    2.4 热压控制建模分析第22-24页
    2.5 本章小结第24-25页
3 机器学习与智能算法理论第25-35页
    3.1 支持向量机建模原理第25-30页
        3.1.1 核函数与损失函数第25-26页
        3.1.2 支持向量机回归原理第26-29页
        3.1.3 支持向量机的参数分析第29-30页
    3.2 遗传算法第30-31页
        3.2.1 遗传算法的基本流程第30-31页
        3.2.2 遗传算法的数学模型第31页
        3.2.3 遗传算法的特点第31页
    3.3 粒子群算法第31-34页
        3.3.1 粒子群算法的基本原理第31-32页
        3.3.2 粒子群算法的基本流程第32-33页
        3.3.3 粒子群算法参数分析第33页
        3.3.4 粒子群算法的特点第33-34页
    3.4 本章小结第34-35页
4 支持向量机非线性预测模型应用研究第35-42页
    4.1 正交试验结果第35-36页
    4.2 非线性预测模型的评价标准第36-37页
    4.3 LIBSVM工具箱简介第37-38页
    4.4 支持向量机算法的实现第38-39页
    4.5 支持向量机非线性预测模型构建第39-41页
    4.6 本章小结第41-42页
5 支持向量机非线性预测模型优化研究第42-56页
    5.1 基于遗传算法的支持向量机参数寻优第42-46页
        5.1.1 GA-SVR算法设计与实现第42-43页
        5.1.2 GA-SVR预测模型的构建第43-46页
    5.2 基于粒子群算法的支持向量机参数寻优第46-49页
        5.2.1 PSO-SVR算法设计与实现第46-47页
        5.2.2 PSO-SVR预测模型的构建第47-49页
    5.3 预测结果分析第49-50页
    5.4 不同预测模型效果对比第50-52页
    5.5 PSO-SVR预测模型稳定性检验及应用第52-55页
    5.6 本章小结第55-56页
6 结论与展望第56-57页
    6.1 结论第56页
    6.2 展望第56-57页
致谢第57-58页
参考文献第58-63页
攻读硕士学位期间发表的学术论文第63页

论文共63页,点击 下载论文
上一篇:传统发酵乳制品中植物乳杆菌基因多样性研究
下一篇:云环境下AIS数据的存储与索引技术研究