材料實驗數(shù)據(jù)的支持向量回歸分析及應用.pdf

1、統(tǒng)計學習理論(Statistical Learning Theory，簡稱SLT)是由AT&T Bell實驗室的Vapnik及其合作者提出的可應用于小樣本分析的統(tǒng)計理論。支持向量機(Support Vector Machine，SVM)是基于統(tǒng)計學習理論和結構風險最小化原理提出的一種有監(jiān)督的機器學習方法，被公認為小樣本情況下統(tǒng)計學習的經(jīng)典。SVM具有較好的泛化和學習能力，可用于分類和回歸，已被廣泛的應用于諸多領域。
　　 本論文

2、應用多種回歸方法(多元線性回歸、偏最小二乘回歸、神經(jīng)網(wǎng)絡、支持向量回歸等)對多組材料實驗數(shù)據(jù)(包括二維色譜柱效、玻璃配方與熱膨脹系數(shù)、3C鋼腐蝕速度、木材導熱系數(shù)、AlON-TiN復相材料合成工藝參數(shù)與抗彎強度以及不同工藝參數(shù)下7005鋁合金的力學性能等實驗數(shù)據(jù))進行了回歸分析，分析和比較了支持向量回歸方法和其它種類回歸方法的預測結果和預測性能，同時在已建立的支持向量回歸模型的基礎上，利用粒子群算法對AlON-TiN復相材料合成工藝參數(shù)

3、進行了尋優(yōu)和因素分析。
　　 本文研究的主要內容有：
　　 ①對目前常用的三種參數(shù)尋優(yōu)方法(包括網(wǎng)格搜索法(Grid Search)、遺傳算法(GA)和粒子群算法(PSO))進行了論述以及分析了它們的優(yōu)點和缺點。
　　 ②介紹了幾種常用的回歸方法及其原理。包括多元線性回歸中的最小二乘回歸和逐步回歸、偏最小二乘回歸、K-近鄰回歸、核K-近鄰回歸以及神經(jīng)網(wǎng)絡中的廣義回歸神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)絡(包括誤差反向傳播神經(jīng)網(wǎng)絡

4、)，分析了它們的優(yōu)點和缺點。對支持向量回歸原理進行了詳細的敘述，并介紹了其算法、實現(xiàn)、發(fā)展和在相關領域中的應用。
　　 ③根據(jù)二維色譜柱效、木材導熱系數(shù)、玻璃配方與熱膨脹系數(shù)、3C鋼腐蝕速度、AlON-TiN復相材料合成工藝參數(shù)與抗彎強度、不同工藝參數(shù)下7005鋁合金的力學性能等多組實驗數(shù)據(jù)，應用支持向量回歸等多種回歸方法對它們進行建模和預測，并對它們的預測結果進行了比較。
　　 ④在已建好的AlON-TiN復相材料合成