基于QPSO優(yōu)化的功能薄膜物理性能的支持向量回歸研究.pdf

1、回歸分析是數(shù)理統(tǒng)計學(xué)中應(yīng)用最廣泛的一個分支，傳統(tǒng)的回歸學(xué)習(xí)算法都以經(jīng)典統(tǒng)計數(shù)學(xué)的漸近理論為依據(jù)，統(tǒng)計規(guī)律只有在已知樣本數(shù)無限多時才顯露出來。針對經(jīng)典統(tǒng)計數(shù)學(xué)這一弱點，Vapnik學(xué)派在1995年提出了“統(tǒng)計學(xué)習(xí)理論”和“支持向量機(SupportVectorMachine,SVM)”。支持向量機在少量樣本時也可用于分類和回歸研究，并且具有很好的泛化能力，已被廣泛應(yīng)用于多個領(lǐng)域的實際問題研究中。粒子群優(yōu)化算法(ParticleSwarmO

2、ptimization,PSO)是一種基于群體智能理論的新興演化計算技術(shù)。Sun等人從量子力學(xué)的角度，通過對粒子收斂行為的研究，基于PSO算法提出了量子粒子群算法(Quantum-behavedParticleSwarmOptimization,QPSO)。由于具有量子行為的粒子滿足聚集態(tài)的性質(zhì)完全不同，使粒子能在整個可行的解空間中進(jìn)行搜索尋求最優(yōu)解，因而QPSO算法在搜索能力上遠(yuǎn)遠(yuǎn)優(yōu)于所有已開發(fā)的PSO算法。
　　本論文采用了多

3、種傳統(tǒng)和現(xiàn)代的數(shù)據(jù)回歸理論與方法，針對功能薄膜等材料的實驗數(shù)據(jù)進(jìn)行回歸計算研究。重點是結(jié)合QPSO優(yōu)化算法和支持向量回歸(SupportVectorRegression,SVR)方法對全介質(zhì)光學(xué)膜、質(zhì)子交換膜燃料電池、Bi系超導(dǎo)材料和Co3O4納米粒子等功能材料的性能參數(shù)及實驗結(jié)果進(jìn)行回歸預(yù)測，并比較這些算法的性能和誤差。同時還在已建立的SVR模型基礎(chǔ)了進(jìn)行了因素分析、工藝參數(shù)優(yōu)化和靈敏度分析等。
　　本文研究的主要內(nèi)容有：

4、>　?、俸喴f明了功能薄膜材料的研究現(xiàn)狀和實際問題。介紹了幾種常用的傳統(tǒng)和現(xiàn)代回歸方法及其原理，包括多元線性回歸、偏最小二乘回歸、概率神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機，分析了它們的優(yōu)缺點。然后闡述了統(tǒng)計學(xué)習(xí)理論的基本思想，并對支持向量回歸原理進(jìn)行了詳細(xì)的敘述。
　?、诮榻B了PSO算法的基本原理及其改進(jìn)與發(fā)展，簡述了QPSO算法的基本原理。此外，還簡要給出了多種常用的參數(shù)優(yōu)化算法的原理，如遺傳算法、差分進(jìn)化算法、分散搜索算法、網(wǎng)格搜索算法、模擬

5、退火算法和蟻群算法等。
　?、鄹鶕?jù)全介質(zhì)光學(xué)膜、質(zhì)子交換膜燃料電池、Bi系超導(dǎo)材料和Co3O4納米粒子等多組實驗數(shù)據(jù)，應(yīng)用QPSO-SVR等多種回歸方法對它們進(jìn)行建模和預(yù)測，并對比了模型的預(yù)測結(jié)果和泛化性能。
　?、茉谝呀⒌腝PSO-SVR模型的基礎(chǔ)上，對質(zhì)子交換膜燃料電池、Bi系超導(dǎo)材料和Co3O4納米粒子等實驗進(jìn)行了因素分析，提出了優(yōu)化的工藝參數(shù)。
　　由研究結(jié)果可以看出，基于QPSO優(yōu)化的SVR模型的預(yù)測精度優(yōu)