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.pdfVIP

助 锨 材 料 R20—Mo—A120。一Si02玻璃配方与 热膨胀系数关系的支持向量回归研究+ 温玉锋，蔡从中，裴军芳，朱星键，肖婷婷 (重庆大学应用物理系，重庆400044) 摘 要： 不同配方的玻璃一般具有不同的热膨胀系 系数预测模型[1”]，尽管人工神经网络模型能很好地 数。根据R：DM口Al：03一SiO：(R为碱金属元素，M预测玻璃的热膨胀系数，但它的预测精度还不够高，泛 为碱土金属元素)系统玻璃在不同氧化物组成(SiO。，化能力也不够理想，且易出现过拟合现象。因此，尽管 MgO，Ca0，Sr0，Ba0，Na20和K20)下的热膨胀系神经网络在材料学研究领域中得到了广泛的应用和普 数实测数据集，应用基于粒子群算法(PS0)寻优的支遍重视[4~7]，但进一步探索和寻求更加准确、有效的理 持向量回归(SVR)方法，建立了玻璃的不同配方与其论预测方法很有必要。 vector 热膨胀系数关系的SVR预测模型，并与基于BPNN支持向量机(support 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 小化的统计学习方法，可用于分类和回归分析，已被成 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 报道的玻璃在不同配方下的热膨胀系数实验数据集， 型的泛化能力；基于留一交叉验证法(L00CV)的 swarm 应用基于粒子群(particle SVR预测的均方根误差(RMSE)、平均绝对误差 vector (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 (1eave-one-outcross 数的有效方法。 了不同玻璃组成的热膨胀系数预测模型，并且与BP 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 表明：基于支持向量回归的模型能更准确地预测不同 中图分类号：TPl8：0551．3文献标识码：A 玻璃组成的热膨胀系数。 文章编号：1001—9731(2009)01—0066—05 2支持向量回归简介 1 引 言 2．1支持向量回归原理 玻璃是一种在日常生活、生产和科学技术领域中 极为重要的材料，它通常透明、质地坚硬，且具有良好 空间到输出空间的非线性映射西，通过该映射，将样本 的耐蚀、耐热和特有的光学、电学特性，被广泛地应用 集中的数据z映射到高维空间F，并在特征空间F中 于建筑、半导体、电光源、光导通信、激光技术、光学仪 用下述线性函数进行线性回归，即： 器和家用器具等方面。热膨胀系数是反映玻璃热稳定 ．厂(z)=W·西(z)+b 中：R“一F，叫∈9(1) 性的一个主要参数，而热稳定性是玻璃的一个极其重 式中b是阈值，W是回归系数向量。由于垂固定 要的性能指标，它反映出玻璃在经受急剧的温度变化 不变，因此影响训的有：经验风险的总和以及使其在 时不致破裂的能力。由于玻璃的热膨胀性取决于其化 高维空间平坦的lI训Il2，即： 学组成，因此，在配制各种各样的玻璃时，通过建立玻