论文部分内容阅读
当影响因素和响应输出的关系较为复杂时，应用传统响应曲面法（RSM）、非参数响应曲面法（NPRSM）和人工神经网络（ANN）难以拟合真实的响应曲面，不仅需要大的样本量，而且泛化风险大，不易达到全局最优。将RSM归结为可有限制地主动获取样本的小样本机器学习问题，提出了一种基于支持向量机（SVM）的RSM。以大间隔网格取样，利用SVM拟合过程，对拟合方程寻优确定极值大致区域，再逐步缩小间隔求精。算例研究表明，该方法的拟合与泛化性能优于NPRSM和基于ANN的RSM，能在小样本条件下建立全局性数值模型，寻优可以得