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.
参考文献
| [1] | 潘健生,张伟民,陈乃录,胡明娟.热处理信息化若干问题的思考[J].金属热处理,2004(01):13-16. |
| [2] | L. A. Dobrzanski;W. Sitek .Application of a neural network in modelling of hardenability of constructional steels[J].Journal of Materials Processing Technology,1998(1/3):59-66. |
| [3] | W.G. Vermeulen;P.J. van der Wolk;A.P. de Weijer .Prediction of Jominy Hardness Profiles of Steels Using Artificial Neural Networks[J].Journal of Materials Engineering and Performance,1996(1):57-63. |
| [4] | Wang J;Van der Wolk P J;Dorrepaal C et al.Effects of carbon and cooling rate on continuous cooling transformations predicted by artificial network[J].ISIJ International,1999,39(10):1038. |
| [5] | 吴良.提高BP人工神经网络热处理工艺及材料性能预测模型的泛化能力研究[J].金属热处理,2003(05):42-45. |
| [6] | Vapnik V.The nature of statistical learning theory[M].New York:springer-verlag,1995 |
| [7] | Nello Cristianini;John Shawe-Taylor.支持向量机导论[M].北京:电子工业出版社,2004 |
| [8] | Ming Ge;R. Du;Guicai Zhang;Yangsheng Xu .Fault diagnosis using support vector machine with an application in sheet metal stamping operations[J].Mechanical Systems & Signal Processing,2004(1):143-159. |
| [9] | 陈念贻,陆文聪,叶晨洲,李国正.支持向量机及其他核函数算法在化学计量学中的应用[J].计算机与应用化学,2002(06):691-696. |
| [10] | 邓乃扬;田英杰.数据挖掘中的新方法--支持向量机[M].北京:科学出版社,2005 |
| [11] | 王泽华,鲍国栋,张俊新,徐嘉.热处理工艺参数对42CrMo钢电渣熔铸件力学性能的影响[J].机械工程材料,2005(02):13-16. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分：
-
10%
-
20%
-
30%
-
40%
-
50%