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

功能材料, 2009, 40(1): 66-74.

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

温玉锋 ^1, , 蔡从中 ^2, , 裴军芳 ^3, , 朱星键 ^4, , 肖婷婷 ^5,

1.重庆大学应用物理系,重庆,400044

2.重庆大学应用物理系,重庆,400044

3.重庆大学应用物理系,重庆,400044

4.重庆大学应用物理系,重庆,400044

5.重庆大学应用物理系,重庆,400044

基金项目: 国家大学生创新性实验计划(CQUCX-G-2007-016) 教育部新世纪优秀人才支持计划(NCET-07-0903) 重庆市自然科学基金(2006BB5240) 教育部留学回国人员科研启动基金(教外司留[2008]101-1)

关键词：玻璃 , 热膨胀系数 , 支持向量机 , 粒子群算法 , 留一交叉验证法 , 回归分析 , 预测

Study on the relationship between thermal expansion coefficient and oxide composition of R2O-MO-Al2O3-SiO2 system glass via support vector regression approach

不同配方的玻璃一般具有不同的热膨胀系数.根据R2O-MO-Al2O3-SiO2(R为碱金属元素,M为碱土金属元素)系统玻璃在不同氧化物组成(SiO2,MgO,CaO,SrO,BaO,Na2O和K2O)下的热膨胀系数实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了玻璃的不同配方与其热膨胀系数关系的SVR预测模型,并与基于BPNN神经网络模型的预测结果进行了比较.结果表明:对于相同的训练样本和检验样本,支持向量回归的玻璃的热膨胀系数模型始终比BPNN模型具有更高的预测精度;增加训练样本数有助于提高所建SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR预测的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小.本研究表明:SVR是一种预测不同配方玻璃的热膨胀系数的有效方法.

参考文献

[1]	肖卓豪,卢安贤,刘树江,杨舟.人工神经网络在玻璃配方设计中的应用研究[J].材料导报,2005(06):17-19,31.
[2]	陈建华.人工神经网络在锂铝硅超低膨胀透明微晶玻璃热处理研究中的应用[J].玻璃与搪瓷,1995(04):17.
[3]	赵秀改.SiO2-Al2O3-CaO-Na2O-MgO系微晶玻璃热膨胀系数的神经网络模型[J].广西大学学报（自然科学版）,2000(04):307-309.
[4]	高燕清,方建成,赵紫玉,杨磊.径向基神经网络在熔融粒子飞行特性预测中的应用[J].功能材料,2007(09):1563-1565.
[5]	李强,于景媛,穆柏春,孙旭东.BP模型在预测多孔NiTi合金孔隙度和屈服强度上的应用[J].功能材料,2006(06):952-954,958.
[6]	郭栋,王永力,夏军涛,李龙土,桂治轮.基于人工神经网络的BaTiO3陶瓷配方研究[J].硅酸盐学报,2002(03):329-334.
[7]	任庆利,罗强.人工神经网络预测镁铝水滑石纳米晶的差示扫描量热法的吸热值[J].硅酸盐学报,2005(08):1002-1005,1011.
[8]	C. Z. Cai;L. Y. Han;Z. L. Ji;X. Chen;Y. Z. Chen .SVM-Prot: web-based support vector machine software for functional classification of a protein from its primary sequence[J].Nucleic Acids Research,2003(13):3692-3697.
[9]	Kwang In Kim;Keechul Jung;Se Hyun Park;Hang Joon Kim .Support vector machine-based text detection in digital video[J].Pattern Recognition: The Journal of the Pattern Recognition Society,2001(2):527-529.
[10]	Furey T S;Cristianini N;Dully N et al.[J].Bioirfformatics,2000,16(10):906-914.
[11]	Cai CZ.;Wang WL.;Chen YZ. .Support vector machine classification of physical and biological datasets[J].International Journal of Modern Physics, C. Physics and Computers,2003(5):575-585.
[12]	Cai CZ.;Wang WL.;Sun LZ.;Chen YZ. .Protein function classification via support vector machine approach[J].Mathematical Biosciences: An International Journal,2003(2):111-122.
[13]	Yuh-Jye Lee;O. L. Mangasarian .SSVM: A Smooth Support Vector Machine for Classification[J].Computational optimization and applications,2001(1):5-22.
[14]	Song M H;Breneman C M;Bi J B et al.[J].Journal of Chemical Information and Computer Sciences,2002,42(02):1347-1357.
[15]	Bock J R;Gough D A .[J].Molecular and Cellular Proteomics,2002,1(11):904-910.
[16]	Yang H Q;Chan L W;King I .[J].Lecture Notes in Computer Science,2002,2412:143-152.
[17]	Yu PS;Chen ST;Chang IF .Support vector regression for real-time flood stage forecasting[J].Journal of Hydrology,2006(3-4):704-716.
[18]	Shen RM;Fu YG;Lu HT .A novel image watermarking scheme based on support vector regression[J].The Journal of Systems and Software,2005(1):1-8.
[19]	Gill M K;Kaheil Y H;Khalil A et al.[J].Water Resources Research,2006,42(07):W07417.
[20]	周鹏,梅虎,田菲菲,李志良.支持向量机用于高分子聚合物的折射率预测[J].应用化学,2006(12):1410-1412.

上一张下一张

计量

下载量()
访问量()

作者相关

文章评分

您的评分：
1

0%
2

0%
3

0%
4

0%
5

0%

材料期刊网