R_2O-MO-Al_2O_3-SiO_2玻璃配方与热膨胀系数关系的支持向量回归研究

不同配方的玻璃一般具有不同的热膨胀系数.根据R2O-MO-Al2O3-SiO2(R为碱金属元素,M为碱土金属元素)系统玻璃在不同氧化物组成(SiO2,MgO,CaO,SrO,BaO,Na2O和K2O)下的热膨胀系数实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了玻璃的不同配方与其热膨胀系数关系的SVR预测模型,并与基于BPNN神经网络模型的预测结果进行了比较.结果表明:对于相同的训练样本和检验样本,支持向量回归的玻璃的热膨胀系数模型始终比BPNN模型具有更高的预测精度;增加训练样本数有助于提高所建SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR预测的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小.本研究表明:SVR是一种预测不同配方玻璃的热膨胀系数的有效方法.     

自蔓延高温合成多孔NiTi合金孔隙的SVR预测

根据自蔓延高温合成法(SHS)制备多孔NiTi合金孔隙试验所获得的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立不同反应参数(温度,粒度和压坯密度)下合成的多孔NiTi合金孔隙的SVR预测模型,并与基于误差反向传播神经网络(BPNN)回归模型的预测结果进行比较。结果表明：在相同的训练与测试样本集下所获的SVR预测结果的平均绝对百分误差(MAPE)比BPNN预测模型的要小,其预测精度更高,预测效果更好;SVR-LOOCV预测的MAPE也比BPNN略小,且其预测结果的相关系数达到了0.999。因此,该方法是一种预测SHS法制备多孔NiTi合金孔隙的有效方法,可为SHS合成多孔NiTi提供理论指导     

基于工艺参数的7005铝合金力学性能的支持向量回归预测

根据7005铝合金在不同工艺参数(挤压温度、挤压速度、淬火方式和时效条件)下的力学性能(抗拉强度σ_b、屈服强度σ_(0.2)和硬度HB)实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)结合留一交叉验证(LOOCV)的方法,对7005铝合金力学性能进行建模和预测研究,并与偏最小二乘法(PLS)、反向传播人工神经网络(BPNN)和两者结合的PLS-BPNN模型的预测结果进行比较.结果表明:基于SVR-LOOCV法的预测精度最高,对3种力学性能(σ_b、σ_(0.2)和HB)预测的均方根误差(RMSE)分别为4.531 9 MPa、14.550 8 MPa和HB1.414 2,其平均相对误差(MRE)分别为0.72%、2.61%和0.66%,均比PLS、BPNN和PLS-BPNN方法预测的RMSE和MRE要小.