材料實驗數(shù)據(jù)的支持向量回歸分析及應(yīng)用.pdf

1、統(tǒng)計學(xué)習(xí)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(yīng)用于小樣本分析的統(tǒng)計理論。支持向量機(jī)(Support Vector Machine，SVM)是基于統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原理提出的一種有監(jiān)督的機(jī)器學(xué)習(xí)方法，被公認(rèn)為小樣本情況下統(tǒng)計學(xué)習(xí)的經(jīng)典。SVM具有較好的泛化和學(xué)習(xí)能力，可用于分類和回歸，已被廣泛的應(yīng)用于諸多領(lǐng)域。
　　 本論文

2、應(yīng)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(luò)、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(dǎo)熱系數(shù)、AlON-TiN復(fù)相材料合成工藝參數(shù)與抗彎強(qiáng)度以及不同工藝參數(shù)下7005鋁合金的力學(xué)性能等實驗數(shù)據(jù))進(jìn)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(yù)測結(jié)果和預(yù)測性能，同時在已建立的支持向量回歸模型的基礎(chǔ)上，利用粒子群算法對AlON-TiN復(fù)相材料合成工藝參數(shù)

3、進(jìn)行了尋優(yōu)和因素分析。
　　 本文研究的主要內(nèi)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(jìn)行了論述以及分析了它們的優(yōu)點(diǎn)和缺點(diǎn)。
　　 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(luò)中的廣義回歸神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(包括誤差反向傳播神經(jīng)網(wǎng)絡(luò)

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