教育部留学回国人员科研启动基金(2008101-1)
- 作品数：4 被引量：8H指数：2
- 相关作者：蔡从中裴军芳温玉锋肖婷婷朱星键更多>>
- 相关机构：重庆大学更多>>
- 发文基金：重庆市自然科学基金教育部“新世纪优秀人才支持计划”教育部留学回国人员科研启动基金更多>>
- 相关领域：理学电子电信一般工业技术自动化与计算机技术更多>>
- 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
- 2009年
- 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gi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χm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χm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χm的有效方法.
- 蔡从中庄魏萍温玉锋朱星键裴军芳肖婷婷
- 关键词：碱金属化合物支持向量回归
- 选择性激光烧结成型件密度的支持向量回归预测被引量：4
- 2009年
- 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.
- 蔡从中裴军芳温玉锋朱星键肖婷婷
- 关键词：选择性激光烧结支持向量机
- AlON-TiN复相材料合成工艺参数的支持向量回归分析被引量：2
- 2009年
- 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5.8h时,可获得抗弯强度为555.452MPa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.
- 温玉锋蔡从中裴军芳朱星键肖婷婷王桂莲
- 关键词：抗弯强度支持向量回归
- 基于SVR的脉冲激光沉积TiN/AlN多层薄膜的工艺优化被引量：2
- 2013年
- 根据脉冲激光沉积(PLD)法在单晶Si试样表面沉积制备多层TiN/AlN硬质膜实验数据,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立不同工艺参数下沉积的TiN/AlN多层膜的AlN膜厚及TiN薄膜硬度的SVR预测模型。在相同的训练与测试样本集下,将SVR所得的AlN膜厚预测值与免疫径向基函数(IRBF)神经网络的计算结果进行比较。结果表明,SVR模型训练和预测结果的平均绝对百分误差要比IRBFNN模型的小,其预测精度更高,预测效果更好。应用SVR的TiN薄膜硬度模型对PLD法沉积TiN薄膜的工艺参数进行了优化,分析了多因素对PLD法沉积TiN薄膜硬度的交互作用和影响。该方法可为人们利用PLD法沉积TiN/AlN多层功能薄膜提供科学的理论指导,具有重要的理论意义和实用价值。
- 皇思洁蔡从中曾庆文
- 关键词：脉冲激光沉积TIN支持向量回归
