基于DHNN的非线性轮廓异常状态监控方法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 非线性轮廓控制的有关研究 | 第12-14页 |
| 1.2.2 相关性轮廓控制的有关研究 | 第14-15页 |
| 1.2.3 机器学习在轮廓控制中的应用 | 第15页 |
| 1.3 存在问题 | 第15-16页 |
| 1.4 研究创新点 | 第16-17页 |
| 1.5 研究技术路线 | 第17-18页 |
| 2 相关理论 | 第18-30页 |
| 2.1 轮廓控制的基本理论 | 第18-24页 |
| 2.1.1 基本理论 | 第18-20页 |
| 2.1.2 统计意义 | 第20页 |
| 2.1.3 非线性轮廓控制方法 | 第20-24页 |
| 2.2 机器学习理论 | 第24-29页 |
| 2.2.1 支持向量回归机 | 第24-27页 |
| 2.2.2 Hopfield神经网络 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 基于支持向量回归机的非线性轮廓建模 | 第30-37页 |
| 3.1 传统建模方法的局限性 | 第30-31页 |
| 3.2 非线性轮廓建模分析 | 第31-32页 |
| 3.2.1 复杂产品加工过程的质量特性 | 第31-32页 |
| 3.2.2 建模方法的选择 | 第32页 |
| 3.3 非线性轮廓建模方法 | 第32-36页 |
| 3.3.1 基本原理 | 第32-33页 |
| 3.3.2 建模中的关键问题 | 第33页 |
| 3.3.3 建模步骤 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于DHNN监测非线性轮廓异常状态 | 第37-47页 |
| 4.1 异常非线性轮廓状态描述 | 第37-38页 |
| 4.2 DHNN监测非线性轮廓异常状态 | 第38-41页 |
| 4.2.1 基本原理 | 第38-39页 |
| 4.2.2 DHNN监测异常轮廓的关键问题 | 第39页 |
| 4.2.3 算法步骤 | 第39-41页 |
| 4.3 算例仿真 | 第41-46页 |
| 4.3.1 仿真算例描述 | 第41-45页 |
| 4.3.2 结果讨论 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 仿真与算例研究 | 第47-63页 |
| 5.1 DHNN监测异常轮廓仿真分析 | 第47-53页 |
| 5.1.1 仿真算例描述 | 第47-48页 |
| 5.1.2 实验过程 | 第48-52页 |
| 5.1.3 结果讨论 | 第52-53页 |
| 5.2 DHNN监测异常轮廓算例分析 | 第53-61页 |
| 5.2.1 过程描述 | 第53-55页 |
| 5.2.2 SVR建模 | 第55-59页 |
| 5.2.3 异常轮廓监测 | 第59-61页 |
| 5.2.4 结果讨论 | 第61页 |
| 5.3 本章小结 | 第61-63页 |
| 6 结论与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第71页 |
