论文部分内容阅读
统计学习理论(Statistical Learning Theory,简称SLT)是由AT & T Bell实验室的Vapnik及其合作者提出的可应用于小样本分析的统计理论。支持向量机(Support Vector Machine,SVM)是基于统计学习理论和结构风险最小化原理提出的一种有监督的机器学习方法,被公认为小样本情况下统计学习的经典。SVM具有较好的泛化和学习能力,可用于分类和回归,已被广泛的应用于诸多领域。本论文应用多种回归方法(多元线性回归、偏最小二乘回归、神经网络、支持向量回归等)对多组材料实验数据(包括二维色谱柱效、玻璃配方与热膨胀系数、3C钢腐蚀速度、木材导热系数、AlON-TiN复相材料合成工艺参数与抗弯强度以及不同工艺参数下7005铝合金的力学性能等实验数据)进行了回归分析,分析和比较了支持向量回归方法和其它种类回归方法的预测结果和预测性能,同时在已建立的支持向量回归模型的基础上,利用粒子群算法对AlON-TiN复相材料合成工艺参数进行了寻优和因素分析。本文研究的主要内容有:①对目前常用的三种参数寻优方法(包括网格搜索法(Grid Search)、遗传算法(GA)和粒子群算法(PSO))进行了论述以及分析了它们的优点和缺点。②介绍了几种常用的回归方法及其原理。包括多元线性回归中的最小二乘回归和逐步回归、偏最小二乘回归、K-近邻回归、核K-近邻回归以及神经网络中的广义回归神经网络和人工神经网络(包括误差反向传播神经网络),分析了它们的优点和缺点。对支持向量回归原理进行了详细的叙述,并介绍了其算法、实现、发展和在相关领域中的应用。③根据二维色谱柱效、木材导热系数、玻璃配方与热膨胀系数、3C钢腐蚀速度、AlON-TiN复相材料合成工艺参数与抗弯强度、不同工艺参数下7005铝合金的力学性能等多组实验数据,应用支持向量回归等多种回归方法对它们进行建模和预测,并对它们的预测结果进行了比较。④在已建好的AlON-TiN复相材料合成工艺参数与抗弯强度支持向量回归模型的基础上,应用粒子群算法对其合成工艺参数进行寻优,并在寻优结果的基础上对其合成工艺参数进行了多因素分析。从研究结果可以看出,支持向量回归方法的预测精度优于多元线性回归、偏最小二乘回归、人神经网络等回归方法,且其泛化能力比其它方法要强,表明该方法是一种有效的材料实验数据处理方法,有望在材料计算机辅助设计及材料工艺优化等方面取得进一步的推广和应用。