刘利军
,
李东波
,
彭金辉
,
郭胜惠
,
张利波
,
陈菓
材料导报
针对微波加热制备部分稳定氧化锆过程的非线性、多变量、时变等复杂特点,运用机器学习方法中的LM-BP神经网络和支持向量机(SVM),以保温温度、升温速率、保温时间、降温速率和淬火温度作为输入量,稳定率为输出值,建立了微波加热制备部分稳定氧化锆的稳定率预测模型.分别利用两种预测模型进行稳定率的预测,通过与稳定率的测量值对比分析表明,两者均具有良好的预测能力,但SVM模型具有较高的预测精度.
关键词:
部分稳定氧化锆
,
微波
,
稳定性
,
LM-BP神经网络
,
支持向量机(SVM)
,
预测
吴良
,
陈铮
材料热处理学报
doi:10.3969/j.issn.1009-6264.2007.06.035
介绍了支持向量机(SVM)技术中的支持向量回归模型,并结合实例运用SVM技术构建了42CrMo钢热处理力学性能预测的数学模型.研究表明,在小样本条件下,应用SVM技术构建数学模型的最大预测相对误差为4.78%;而且随着检验精度的提高,模型的预测精度保持基本不变,泛化能力明显优于用人工神经网络的BP模型.认为在材料热处理领域应用SVM技术构建预测力学性能的数学模型,能较好地解决小样本和模型预测精度间的矛盾.
关键词:
支持向量机(SVM)
,
预测模型
,
热处理
,
泛化能力
