公共文化服务平台

共 5 条记录，以下是 1-5

全选清除导出

排序方式：

AlON-TiN复相材料合成工艺参数的支持向量回归分析被引量：2: 2009年; 根据在不同热压烧结工艺参数(包括TiN的含量、烧结温度和保温时间)下合成的AlON-TiN复相材料的抗弯强度实测数据集,应用基于粒子群算法寻优的支持向量回归(SVR)方法,建立了AlON-TiN复相材料在不同热压烧结工艺参数下抗弯强度的SVR预测模型,并与基于人工神经网络(ANN)模型的预测结果进行了比较.利用SVR预测模型并结合粒子群算法对AlON-TiN合成工艺参数进行了寻优和多因素分析.结果显示:对于相同的训练样本和检验样本,AlON-TiN复相材料抗弯强度的SVR模型比ANN模型具有更小的预测误差,表明SVR模型比ANN模型具有更强的预测能力.工艺参数寻优结果表明,当TiN质量分数为13.5%、烧结温度为1863.5℃和保温时间为5.8h时,可获得抗弯强度为555.452MPa的AlON-TiN复相材料.研究结果表明,该方法对于研发理想抗弯强度的AlON-TiN复相材料具有重要的理论指导意义和实用价值.; 温玉锋蔡从中裴军芳朱星键肖婷婷王桂莲; 关键词：抗弯强度支持向量回归

AlON-TiN复相材料合成工艺参数的支持向量回归分析: 根据在不同热压烧结工艺参数(包括TiN的含量、烧结温度和保温时间)下合成的AlON-TiN复相材料的抗弯强度实测数据集,应用基于粒子群算法寻优的支持向量回归(SVR)方法,建立了AlON-TiN复相材料在不同热压烧结工艺...; 温玉锋蔡从中裴军芳朱星键肖婷婷王桂莲; 关键词：抗弯强度支持向量回归复相材料热压烧结; 文献传递

沥青生产过程中软化点的SVR预测: 2011年; 根据30组不同电阻和温度下的沥青软化点的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,并结合留一交叉验证(LOOCV)法对沥青软化点进行了建模和预测研究,将其预测结果与多元线性回归(MLR)模型的计算结果进行了比较。SVR-LOOCV预测的最大误差为2.1℃,远比MLR模型计算的最大误差7.9℃要小得多。统计结果表明:基于SVR-LOOCV预测结果的均方根误差(RMSE=0.75℃)、平均绝对误差(MAE=0.32℃)和平均绝对百分误差(MAPE=0.28%)相应也比MLR回归模型的预测结果(RMSE=3.3℃,MAE=2.6℃和MAPE=2.34%)要小。因此,应用SVR实时预测沥青产品的软化点,可为生产优质沥青提供准确的科学指导。; 蔡从中王桂莲裴军芳朱星键; 关键词：沥青软化点支持向量回归粒子群算法

基于工艺参数的7005铝合金力学性能的支持向量回归预测被引量：11: 2010年; 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σb、屈服强度σ0.2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(σb、σ0.2和HB)预测的均方根误差(RMSE)分别为4.5319MPa、14.5508MPa和HB1.4142,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。; 蔡从中温玉锋朱星键裴军芳王桂莲肖婷婷; 关键词：7005铝合金力学性能支持向量机粒子群算法

基于SVR及特征选择的材料物理性能研究: 20世纪60年代，Vapnik及其合作者提出了利用经验数据进行机器学习的统计学习理论（StatisticalLearningTheory,简称SLT）。SLT是一种可应用于小样本分析的统计理论，具有较强的实用性。支持向量...; 王桂莲; 关键词：统计学习理论材料物理性能模拟退火算法; 文献传递

全选清除导出

共1页<1>

王桂莲