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5.8 h时, 可获得抗弯强度为555.452 MPa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. 关键词： AlON-TiN 抗弯强度 支持向量回归 回归分析     

速差法超声波气体流量计的原理和校准

本文简要地介绍一种利用超声脉冲沿顺、逆流方向上传播速度之差来测定气体流速及流量的新的微机化超声波气体流量计的工作原理，以及它在内径为700mm，流速在3—13m＼s范围内的校准结果．实验结果表明该微机化超声气体流量计的测速精度优于±2％．     

基于支持向量机、支持向量回归和分子对接的CYP450 1A2抑制剂的发现研究

支持向量机,支持向量回归和分子对接的计算方法已广泛应用于化合物的药理活性计算。为了提高计算的准确性和可靠性,拟以细胞色素P450酶1A2为研究载体,运用建立的联合SVM-SVR-Docking计算模型预测潜在的CYP1A2抑制剂。其中,建立的最优SVM定性模型训练集,内部测试集和外部测试集的准确率分别为99.432%,97.727%和91.667%。最优SVR定量模型训练集和测试集的R和MSE分别为0.763,0.013和0.753,0.056。实验表明两个模型具有较高的准确性和可靠性。通过对SVM和SVR模型结果的比较分析,发现连接性指数、分子构成描述符和官能团数目等分子描述符可能与CYP1A2抑制剂的辨识和活性预测密切相关。随后利用分子对接技术分析化合物与CYP1A2的结合构象及相互作用的稳定性。形成氢键相互作用的关键氨基酸包括THR124,ASP320;形成疏水相互作用的关键氨基酸包括ALA317和GLY316。所获得模型可用于天然产物化学成分中CYP1A2潜在抑制剂的活性计算及其介导的药物-药物相互作用预测提供理论指导,也为合理联合用药提供一定参考。共获得20个对CYP1A2具有潜在抑制活性的化合物。部分结果与文献结果相互印证,进一步说明了模型的准确性和联合计算策略的可靠性.     

速差法超声波气体流量计的原理和校准

本简要地介绍一种利用超声脉冲沿顺、逆流方向上传播速度之差来测定气体流速及流量的新的微机化超声波气体流量的工作原理，以及它在内径为７００ｍｍ，流速在３－１３ｍ／ｓ范围内的校准结果，实验结果表明该微机化超声气体流量计的测速精度优于±２％。     

支持向量回归在葡萄酒红外定量分析中的应用

近年来,基于朗伯-比尔定律和化学计量学的红外光谱定量分析方法发展十分迅速。其中,选择合适的预处理方法和有效的校正模型是定量分析成功的关键。选取30个葡萄酒样品,运用红外光谱结合向量回归算法SVR,对葡萄酒乳酸、酒石酸、乙酸异戊酯、3-甲基-1-丁醇进行了红外含量预测。选用标准归一化、基线校正以及异常样本点剔除三种谱图预处理方法,结合支持向量回归算法。实验结果表明该方法行之有效,计算值与标准值间的相对误差可被控制在5%以内。该方法可应用于葡萄酒中代表性物质含量的定量分析检测。     

选择性激光烧结成型件密度的支持向量回归预测

根据不同工艺参数（层厚、扫描间距、激光功率、扫描速度、加工环境温度、层与层之间的加工时间间隔和扫描方式）下的选择性激光烧结成型件密度的实测数据集,应用基于粒子群算法寻优的支持向量回归（SVR）方法,建立了加工工艺参数与成型件密度间的预测模型,并与BP神经网络模型进行了比较.结果表明：基于相同的训练样本和检验样本,成型件密度的SVR模型比其BP神经网络模型具有更强的内部拟合能力和更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法的SVR模型的预测误差最小.因此,SVR是一种预测选择性激光烧结成型件密度的有效方法. 关键词： 选择性激光烧结 密度 支持向量机 回归分析     

碳纳米管/环氧树脂复合薄膜力学性能的支持向量回归预测

根据实验测得环氧树脂不同体积浓度浸泡液下的碳纳米管/环氧树脂复合薄膜的力学性能的实验数据,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了不同实验参数对复合薄膜力学性能影响的预测模型。留一交叉法(LOOCV)结果表明环氧树脂体积分数与复合薄膜力学性能之间关系复杂,呈现高度的非线性。表征力学性能的拉伸强度σ_b(MPa)、延伸率δ(%)和弹性模量E(GPa)的平均绝对百分误差分别为3.96%,3.14%和2.62%,相关系数(R~2)分别高达0.991,0.990和0.997。该方法不仅准确预测了双壁碳纳米管与环氧树脂复合薄膜的力学性能,而且为实验工作者研究实验参数与力学性能之间关系提供了理论指导。     

基于拓扑结构的碱金属化合物摩尔磁化率的支持向量回归研究

基于经典电动力学导出的表征简单离子磁化率的磁性点价g_i所构建的分子磁性连接性指数?^mF及45种碱金属化合物的摩尔磁化率χ_m的实测数据集,利用粒子群寻优的支持向量回归（SVR）方法,建立了基于⁰F和¹F的碱金属化合物χ_m的预测模型,并与基于多元线性回归（MLR）模型的计算结果进行了比较.结果显示,基于9次交叉验证的SVR模型预测的平均绝对误差、平均相对误差绝对值以及均方根误差均比MLR模型小,表明SVR模型的回归预测能力优于MLR.研究表明,磁性连接性指数^mF是一种合适的分子描述符,SVR是一种预测碱金属化合物χ_m的有效方法. 关键词： 碱金属化合物 摩尔磁化率 支持向量回归 预测     

基于在线小波支持向量回归的混沌时间序列预测

混沌时间序列预测是非线性动力学研究中一个十分重要的问题，支持向量回归方法为其提供了一种有效的解决思路.通过分析新样本加入训练集后支持向量集的变化情况，建立了一种混沌时间序列预测的支持向量回归算法，具备了在线学习的特点.同时，针对混沌信号提出了一种满足小波框架的小波核函数，它不但能以较高的精度逼近任意函数，而且适合于混沌信号的局部分析，提高了支持向量回归的泛化能力.最后就Mackey-Glass混沌时间序列在线预测问题进行了大量仿真.结果表明，本文算法与现有的算法相比具有训练时间短、预测精度高等特点，有一定 关键词： 混沌时间序列 支持向量回归 在线学习 小波核     

支持向量回归同时测定苯甲酸和水杨酸稳健模型的研究

按照均匀设计方法设计校正集实验数据,用支持向量回归方法(SVR)建立校正模型,采用留一交叉验证方法对SVR方法的参数进行优化,研究SVR稳健模型在分光光度法同时测定苯甲酸和水杨酸中的应用.结果表明,用不同日期测定的校正集数据建立SVR模型,对不同日期测定的检验集数据的预测结果也不同;检验集数据的测定日期与校正集数据的测定日期愈接近,则预测结果愈准确;将不同日期测定的校正集数据合并在一起建立SVR模型,模型的稳健性得到了明显的提高;将选定的校正集用于苯甲酸和水杨酸的同时测定,预测结果的回收率在97%-102%之间,结果满意.     

Color reproduction method by support vector regression for color computer vision

In the color computer vision system, the nonlinearity of the camera and computer screen may result in different colors between the screen and the actual color of objects, which requires for color calibration. In this paper, support vector regression (SVR) method was introduced to reproduce the colors of the nonlinear imaging system. Firstly, successive 3σ method was used to eliminate the large errors found in the color measurement. Then, based on the training set measured in advance, SVR model of RBF kernel was applied to map the nonlinear imaging system. In this step, two important parameters (C, γ) were optimized by the Least Mean Squared Validating Errors algorithm to get the best SVR model. Finally, this optimized model could predict the real values displayed on the screen. Compared with quadratic polynomial regression, BP neural network and relevance vector machine, the optimized SVR model has better ability in color reproduction performance and generalization.     

超声波流量计测量流体声速的实验方法

为获取液体介质的声速值,设计了一种测定流体声速的实验方法,该方法利用时差式超声波流量计和标准流量校验设备同时对封闭管道中的液体进行流速测量,分别得到流速的测量值和真实值,从而计算出超声波流量计的仪表系数,并以此导出了一定条件下液体介质的声速值随仪表系数的变化关系式.利用该方法测量给出了0.17 MPa下四氧化二氮(N₂O₄)在7.6-19.4 ℃、偏二甲肼((CH₃)₂NNH₂)在6.5-25.2 ℃范围内的流体声速值,并为其他液体介质的声速测量提供了借鉴. 关键词： 超声波流量计 声速 仪表系数 温度     

Robust GRAPPA reconstruction using sparse multi-kernel learning with least squares support vector regression

Accuracy of interpolation coefficients fitting to the auto-calibrating signal data is crucial for k-space-based parallel reconstruction. Both conventional generalized autocalibrating partially parallel acquisitions (GRAPPA) reconstruction that utilizes linear interpolation function and nonlinear GRAPPA (NLGRAPPA) reconstruction with polynomial kernel function are sensitive to interpolation window and often cannot consistently produce good results for overall acceleration factors. In this study, sparse multi-kernel learning is conducted within the framework of least squares support vector regression to fit interpolation coefficients as well as to reconstruct images robustly under different subsampling patterns and coil datasets. The kernel combination weights and interpolation coefficients are adaptively determined by efficient semi-infinite linear programming techniques. Experimental results on phantom and in vivo data indicate that the proposed method can automatically achieve an optimized compromise between noise suppression and residual artifacts for various sampling schemes. Compared with NLGRAPPA, our method is significantly less sensitive to the interpolation window and kernel parameters.     

基于多重核学习支持向量回归的混沌时间序列预测

鉴于标准支持向量回归应用于混沌时间序列预测时经常会遇到诸如核函数及其参数难以确定的问题,提出了多重核支持向量回归的方法.通过在混合核空间求解二次约束下的二次规划问题,实现多重核支持向量回归算法.该算法不仅可以减少支持向量的个数,而且能够提高预测性能.最后将该方法运用到Lorenz, Henon和Mackey-Glass混沌时间序列预测,仿真结果表明该方法能够有效地提高预测精度,增强预测模型的泛化性能. 关键词： 混沌时间序列 支持向量机 多重核学习 优化     

Genetic algorithm-support vector regression for high reliability SHM system based on FBG sensor network

Structural Health Monitoring (SHM) based on fiber Bragg grating (FBG) sensor network has attracted considerable attention in recent years. However, FBG sensor network is embedded or glued in the structure simply with series or parallel. In this case, if optic fiber sensors or fiber nodes fail, the fiber sensors cannot be sensed behind the failure point. Therefore, for improving the survivability of the FBG-based sensor system in the SHM, it is necessary to build high reliability FBG sensor network for the SHM engineering application. In this study, a model reconstruction soft computing recognition algorithm based on genetic algorithm-support vector regression (GA-SVR) is proposed to achieve the reliability of the FBG-based sensor system. Furthermore, an 8-point FBG sensor system is experimented in an aircraft wing box. The external loading damage position prediction is an important subject for SHM system; as an example, different failure modes are selected to demonstrate the SHM system's survivability of the FBG-based sensor network. Simultaneously, the results are compared with the non-reconstruct model based on GA-SVR in each failure mode. Results show that the proposed model reconstruction algorithm based on GA-SVR can still keep the predicting precision when partial sensors failure in the SHM system; thus a highly reliable sensor network for the SHM system is facilitated without introducing extra component and noise.     

Small-time scale network traffic prediction based on a local support vector machine regression model

In this paper we apply the nonlinear time series analysis method to small-time scale traffic measurement data. The prediction-based method is used to determine the embedding dimension of the traffic data. Based on the reconstructed phase space, the local support vector machine prediction method is used to predict the traffic measurement data, and the BIC-based neighbouring point selection method is used to choose the number of the nearest neighbouring points for the local support vector machine regression model. The experimental results show that the local support vector machine prediction method whose neighbouring points are optimized can effectively predict the small-time scale traffic measurement data and can reproduce the statistical features of real traffic measurements.