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 |