基本信息
- 项目名称：
- 基于支持向量回归方法的建模与优化
- 来源：
- 第十一届“挑战杯”国赛作品
- 小类：
- 数理
- 大类：
- 自然科学类学术论文
- 简介：
- 本作品利用支持向量回归方法(Support Vector Regression, SVR)为指导，建立的相关数学模型，用于优化材料制备工艺参数，预测材料性能，可有效地缩短材料研发时间，极大地推动科学化设计高性能新型功能材料技术的发展，具有重要的学术价值，将产生重大社会效益和经济效益。基于粒子群参数寻优的SVR方法，概述了SVR在社会科学领域、经济管理领域和工程领域中的应用，并着重探索了SVR在材料领域的应用。SVR遵守结构风险最小化原则，比其它各种回归方法的泛化能力要强得多，是目前泛化能力最强的科学计算方法之一。独创性地将SVR用于7005铝合金、氘灯、烯烃和烷烃这三个重要的材料研究领域，取得了优于传统方法的结果。
- 详细介绍：
- 本作品系统地分析和归纳总结了现有的材料实验数据处理方法，将支持向量回归(Support Vector Regression，SVR)方法用于材料制备工艺参数的优化和性能预测。SVR是一种普适性极强的新型回归方法，除了应用于材料领域之外，还可广泛应用于生物学、医学、环境保护、信息技术、农业、交通运输、工程技术、化学化工、物理学、工业制造业、商业等领域。本研究主要探索了SVR在材料领域中的应用，得到了较好的结果。本作品概述了SVR在社会科学领域、经济管理领域和工程领域中的应用，并着重探索了SVR在材料领域的应用。表明：SVR具有极大的推广应用价值。 长期以来，材料科学工作者在研究材料的成分、工艺、组织与性能之间的关系时，大多采用试错法，耗费了大量的人力、物力、财力和时间，并且可靠性较低。因此以新的理论方法为主导，用于优化材料制备工艺参数来设计材料，可有效地缩短研发时间、提高效率、节约资源，将极大地推动科学地设计高性能新型功能材料技术的发展，具有重要的学术价值，必将产生重大的社会效益和经济效益。 1．作品首先系统地研究了传统实验的数据处理方法(如多元线性回归、岭回归、偏最小二乘回归方法)，分析其适用范围及优缺点；引入近十几年来发展起来的多种理论方法（如粒子群算法等）对参数进行优化；引入SVR，用以提高模型的拟合精度和预测准确率。 2. 作品重点探索了SVR在材料制备工艺参数优化和性能预测中的应用。材料的性能与其制备工艺参数息息相关，作品利用基于粒子群参数寻优的SVR方法建立了相关模型，并对材料性能进行了预测。此外，还根据在不同工艺参数下7005铝合金的力学性能(抗拉强度、屈服强度和硬度)实测数据集，首次应用基于粒子群算法(PSO)寻优参数的SVR理论，结合留一交叉验证(LOOCV)法，对7005铝合金的力学性能进行了建模和预测，并与偏最小二乘法(PLS)、反向传播人工神经网络(BPNN)和两者结合模型(PLS-BPNN)的预测结果进行了比较。结果表明，SVR所建模型的预测精度最高；根据氘灯的辐亮度值及其有关特性指标值的数据集，建立了氘灯的有关特性指标值与辐亮度值的SVR预测模型，通过比较SVR和传统方法的预测结果，得出SVR模型具有更高的预测精度；结合定量结构-性质相关性等理论，建立了烃类（包括烯烃和烷烃）化合物的闪点与沸点、路径数2、路径数3的SVR预测模型，与多元线性回归方法相比，SVR的预测精度更高。上述结果表明:SVR模型的预测效果较传统的回归方法有明显的改进。 3. 作品创新发展了材料制备工艺参数优化、特性预测的材料性能研究新思路和新途径，成功地尝试了将SVR方法用于相关材料的工艺优化及性能预测。选取了氘灯、烷烃和烯烃、7005铝合金为实例分别对它们的辐亮度、闪点值、力学性能等进行预测，得到了与实验值吻合较好的预测结果，证明了作品研究的可行性和科学性，为材料制备和材料性能研究开辟了一条新途径。利用不同工艺参数下材料性能的SVR预测模型，对材料的相关制备工艺参数进行了优化，可为进一步提升材料/产品的性能提供科学指导，因而具有重要的实际应用和推广价值。
作品专业信息
撰写目的和基本思路
- 目的：以SVR为指导，用于优化材料制备工艺参数和性能预测，从而有效地缩短研发时间、提高效率、节约资源，将产生重大社会和经济效益；验证SVR的优良内插、外推能力，和普遍适用性，并推广到其他领域。 思路：选取在自然科学和工程领域中重要的材料为研究对象，利用基于留一交叉验证法的SVR和粒子群算法寻优手段，建立预测模型，结合具体材料分析各种特征因子对材料制备工艺参数或是材料性能的影响，最后完成作品。
科学性、先进性及独特之处
- SVR遵守结构风险最小化原则，比其它各种回归方法的泛化能力要强得多，是目前泛化能力最强的科学计算方法之一。将SVR用于材料制备工艺参数优化和性能预测方面，目前在我国各个领域的应用的报道较少（参见查新报告）。 目前国内研究SVR这一先进回归方法的学者较少，尤其是将其引入到材料制备工艺参数优化和材料性能预测方面的工作更是具有极大地发展和应用前景。
应用价值和现实意义
- SVR是一种普适性极强的新型回归方法，除了应用于材料领域之外，还可广泛应用于生物学、医学、环境保护、信息技术、工程技术等领域，具有极大的应用推广价值。 作品利用新的数据处理方法为指导，建立的相关数学模型，可用于优化材料制备工艺参数，预测材料性能，可有效地缩短材料研发时间、节约资源，能极大地推动科学化设计高性能新型功能材料技术的发展，具有重要的学术价值，将产生重大社会效益和经济效益。
学术论文摘要
- 可燃性有机物闪点的精准确定在人们的实际生活和生产中非常重要。采用SVR，结合定量结构-性质相关性等理论，建立起了烃类（包括烯烃和烷烃）化合物的闪点与沸点、路径数2、路径数3的关系模型。氘灯作为真空紫外的标准灯，其光辐射亮度值与该标准的其它特性指标值存在着某种联系。根据氘灯样本的辐亮度值及其有关影响因素数据集，利用基于PSO寻优的SVR方法，建立了影响氘灯辐亮度的相关因素与辐亮度值的SVR预测模型，并与BP神经网络模型和投影寻踪回归模型的预测结果进行了比较。根据7005铝合金在不同工艺参数下合金的力学性能实测数据集，应用基于粒子群算法(PSO)寻优的SVR，结合留一交叉验证(LOOCV)法，对7005铝合金力学性能进行了建模和预测。将其建模的结果分别和其他数据处理手段如BP神经网络，多元线性回归等进行了比较，利用平均绝对误差和平均绝对百分误差对模型做了详细地评价。结果表明，在以上三种材料的建模预测中，SVR模型的效果都优于其他模型。本项研究表明：SVR是一种有效的优化材料制备工艺参数和预测材料性能的方法，可广泛用于制备工艺参数的设计和指导新型材料的设计。
获奖情况
- 1广州08年“中国材料研讨会”上发表,被《物理学报》(SCI核心)录用 ①基于拓扑结构的碱金属化合物摩尔磁化率的SVR研究. ②AlON-TiN复相材料合成工艺参数的支持向量回归分析. ③选择性激光烧结成型件密度的支持向量回归预测. 2一篇被境外SCI核心和EI核心收录 Corrosion rate prediction of 3C steel under different seawater environment by using support vector regression. 3一篇被EI收录 R2O-MO-Al2O3-SiO2玻璃配方与热膨胀系数关系的支持向量回归研究.等
鉴定结果
- 无
参考文献
- [1] 董倩, 唐清, 李文超. 模式识别技术对Al2O3-TiC-ZrO2纳米复合材料制备工艺参数的优化和预报. 计算机与应用化学, 2001, 18(2): 97-101. [2] 金胜利, 李亚伟, 李楠, 刘旭, 陆文聪. 支持向量机算法优化制备赛隆-刚玉浇注料工艺参数. 耐火材料, 2005, 30(2): 126-129. [3] (Zr_(0.7)Sn_(0.3))TiO4陶瓷性能预报的支持向量回归模型 [4] V. Vapnik. The Nature of Statistical Learning Theory [M]. New York: Springer, 1995
同类课题研究水平概述
- 1、现状：随着计算机技术的发展，在材料科学领域中，工艺过程控制，材料性能预测自动设计取得了较大的进展，由于材料科学中影响因素众多，作用复杂，找到精确的规律的可能性比较小，材料科学仍依靠于科学的实验。人们往往想通过一些具体的实验来找出材料中的某些规律，常会遇到大量的实验数据需要处理的问题。回归分析方法是材料学领域中最为常用的方法之一，它能找出材料的物理化学性能与材料的成分或组织结构之间的关系，以及材料工艺过程中的某些变化规律。 2、有关数据处理手段的方法 (1) 反向传播神经网络 BP(Back Propagation)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。 BP算法理论具有依据可靠、推导过程严谨、精度较高等优点，但标准BP算法存在以下缺点：会出现“锯齿形现象”；存在麻痹现象；新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同；网络的预测能力与训练能力的矛盾。 (2) 多元线性回归 多元回归分析预测法，是指通过对两上或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。 利用这种方法建立模型非常简单，计算量小，但是其只适用于讨论线性回归问题，对于实际生活中的复杂非线性问题就毫无办法了。 (3) 主成分分析法 主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。 缺点：计算过程比较繁琐，且对样本量的要求较大；它是根据样本指标来进行综合评价的，所以评价的结果跟样本量的规模有关系；它往往假设指标之间的关系都为线性关系，但在实际应用时，如果各个指标之间的关系并非为线性关系，就有可能导致评价结果的偏差。
