本文研究的内容来源于国家自然科学基金与中国工程物理研究院联合基金项目“基于核函数的结构特征参数辨识及其变化预测方法”(项目编号:11176027),该项目主要是对长期贮存的大型装备进行健康状态检测与变化预测分析。本文的主要研究内容如下:(1)对机器学习问题、支持向量机算法、核函数理论和多参数优化方法进行探讨和分析。重点研究支持向量机算法对小样本数据的处理能力。(2)支持向量机是一种多参数的机器学习算法。通过研究支持向量机模型参数相互之间的约束关系,结合径向基核函数支持向量机的渐近性能,找到最优参数组合的“好区”,再采用改进人工蜂群优化算法在“好区”内搜寻最优参数。从而,构建出支持向量机模型参数的优化体系,即L-ABC-SVM方法。(3)为了探究环境因素对贮存装备联接结构产生的影响,依据加速寿命腐蚀试验标准,搭建三种联接方式(铆接、焊接、螺栓联接)的加速寿命试验平台。建立数据预处理流程方案,对试验数据进行预处理,再采用L-ABC-SVM方法构建对联接结构寿命预测的数学模型。最后,通过不同的回归预测方法、不同的核函数和参数对该方法的性能进行比较分析,验证方法的可行性和有效性。(4)将L-ABC-SVM方法作为软件的核心内容,在VC6.0的平台上开发预测软件。