基于并行BP神经网络算法的冲压成形参数优化及软件开发

目录

声明

第1章 绪 论

1.1 研究背景及意义

1.2 相关领域研究现状

1.2.1 板料冲压成形研究现状

1.2.2 粒子群优化算法研究现状

1.2.3 BP 神经网络算法发展及应用现状

1.3 本文的研究内容及结构

第2章 理论基础

2.1 引言

2.2 采样方法与数据预处理

2.2.1 蒙特卡罗采样

2.2.2 拉丁超立方采样

2.2.3 数据归一化

2.3 常用代理模型

2.3.1 支持向量机

2.3.2 Kriging 模型

2.3.3 径向基函数

2.3.4代理模型精度评估标准

2.4 BP 神经网络理论基础

2.4.1 BP 神经网络概述

2.4.2 神经元

2.4.3 BP 神经网络结构

2.4.4 激活函数

2.4.5 前向传播

2.4.6 反向传播

2.5 K-means 聚类算法

2.6 小结

第3章 基于 PBPNN-MOPSO 的冲压成形参数优化方法

3.1 引言

3.2 并行 BP 神经网络模型

3.2.1 并行 BP 神经网络结构

3.2.2 神经网络泛化性能分析

3.2.3 测试函数

3.3 泛化性能对比

3.4 PBP 神经网络与几种常用代理模型技术对比

3.4.1 10 维问题建模结果对比

3.4.2 20 维问题建模结果对比

3.4.3 30 维问题建模结果对比

3.4.4 维度对模型精度的影响

3.5 多目标优化问题

3.6 多目标粒子群优化算法

3.6.1 粒子群算法

3.6.2 多目标粒子群算法

3.7 PBPNN-MOPSO 算法流程

3.8 小结

第4章 工程实例及其软件开发

4.1 引言

4.2 成形质量评价标准

4.2.1 基于成形后板厚信息的评价准则

4.2.2 开裂标准

4.2.3 起皱标准

4.3 基于图像的成形质量评价标准

4.4 控制器覆盖板冲压参数优化

4.4.1 问题描述

4.4.2 设计变量

4.4.3 目标变量

4.4.4 PBP 神经网络模型构建

4.4.5 优化算法求解

4.4.6 结果分析

4.5 连接支架冲压参数优化

4.5.1 问题描述

4.5.2 设计变量

4.5.3 目标变量

4.5.4 PBP 神经网络模型构建

4.5.5 优化算法求解

4.5.6 结果分析

4.6尾灯支架冲压参数优化

4.6.1 问题描述

4.6.2 设计变量

4.6.3 目标变量

4.6.4 PBP 神经网络模型构建

4.6.5 优化算法求解

4.6.6 结果分析

4.7 基于 PyQt 的神经网络建模优化软件界面设计

4.7.1 PyQt 设计方法

4.7.2 神经网络算法软件界面设计

4.8 小结

结论与展望

参考文献

致 谢

附录 A 攻读学位期间发表的论文