基于svr及特征選擇的材料物理性能研究

1、基于SVR及特征選擇的材料物理性能研究重慶大學碩士學位論文學生姓名：王桂蓮指導教師：蔡從中研究員專業(yè)：材料物理與化學學科門類：工學重慶大學物理學院二O一一年五月重慶大學碩士學位論文中文摘要I摘要20世紀60年代，Vapnik及其合作者提出了利用經驗數(shù)據進行機器學習的統(tǒng)計學習理論（StatisticalLearningThey簡稱SLT）。SLT是一種可應用于小樣本分析的統(tǒng)計理論，具有較強的實用性。支持向量機(SupptVectMachi

2、neSVM)是基于統(tǒng)計學習理論和結構風險最小化原理提出的一種有監(jiān)督的新的機器學習方法，被公認為小樣本情況下統(tǒng)計學習的經典。與多元非線性回歸(MNR)等其它學習方法相比，SVM具有較好的泛化和學習能力，已被廣泛的應用于諸多領域。本論文對超導元素的實驗數(shù)據集進行特征選擇，再利用支持向量回歸（SVR）進行回歸分析，比較了SVR和MNR的預測結果。同時用SVR方法對實驗數(shù)據集（瀝青生產過程中的軟化點、摻雜二硼化鎂體系的超導轉變溫度和以NiAl為

3、底層等離子噴涂FeO4粉的結合強度）直接進行預測，并利用粒子群算法對材料合成工藝參數(shù)進行了尋優(yōu)和因素分析。本文研究的主要內容有：①對常用的特征提取和選擇方法進行了綜述，介紹了灰關聯(lián)分析、靈敏度分析、信噪比、熵標準、遺傳算法(GA)、主成分分析法(PCA)、粒子群尋優(yōu)算法(PSO)、模擬退火算法(SA)和其他常用的特征選擇方法的算法、及其優(yōu)點和缺點等。②對SVR原理進行了詳細的敘述，并介紹了其算法、實現(xiàn)和發(fā)展。介紹了幾種常用的回歸方法及其

4、原理，包括廣義神經網絡、MLR、嶺回歸。分析了它們的優(yōu)點和缺點。③根據超導元素的實驗數(shù)據集，應用靈敏度分析對數(shù)據集進行特征提取，然后用支持向量回歸方法對它們的超導轉變溫度進行了建模和預測，并對它們預測結果與MNR進行了分析比較根據摻雜MgB2系超導體的實驗數(shù)據，SVR應用超導體系的拓撲描述符對超導轉變溫度進行了預測和比較；根據生產過程中瀝青的實驗數(shù)據集，SVR方法對瀝青的軟化點進行了有效的預測；根據等離子噴涂FeO4粉的實驗數(shù)據集，SV