固體化合物中陽離子標準熵的支持向量回歸研究.pdf

1、支持向量機(Support Vector Machine，SVM)是Vapnik及其合作者于1995年基于統(tǒng)計學習理論及結構風險最小化原則而提出的一種機器學習方法，被公認為小樣本情況下統(tǒng)計學習的典范，可用于數(shù)據(jù)的分類與回歸研究，具有很強的學習與泛化能力，已被廣泛地應用于實際問題的分類與回歸研究。
　　 本論文在總結應用不同描述符和不同回歸方法(線性/非線性)對70種固體化合物陽離子標準熵進行回歸預測結果的基礎上，提出并應用支持向

2、量回歸方法對70種固體化合物陽離子標準熵進行了回歸與預測研究，將其預測結果與其他幾種回歸方法的預測結果進行了對比分析。同時比較了支持向量回歸和神經(jīng)網(wǎng)絡對不同燒結工藝條件下選擇性激光燒結成型件密度的預測結果。
　　 本文研究的主要內(nèi)容有：
　　 1)簡要介紹了機器學習的基本方法，以及統(tǒng)計學習的基本思想，并對統(tǒng)計學習理論的一些核心內(nèi)容進行了簡要闡述。然后介紹了支持向量回歸原理和參數(shù)尋優(yōu)方法，并簡要地介紹了模糊支持向量回歸機和

3、加權支持向量回歸機的回歸算法。
　　 2)主要介紹了兩種常用的參數(shù)尋優(yōu)方法，模擬退火算法原理，蟻群算法原理。同時介紹了幾種常用的回歸方法，如概率神經(jīng)網(wǎng)絡、多元線性回歸和嶺回歸的原理。并簡單地概括了它們的優(yōu)點和不足之處。
　　 3)對有關熵的基本概念，基本性質做了簡單介紹，簡要概括了熱力學熵的熵增加原理，統(tǒng)計熵的等幾率原理，以及玻耳茲曼熵和克勞修斯熵的物理意義。
　　 4)根據(jù)化合物陽離子的標準熵和選擇性激光成型件