基于qpso优化的功能薄膜物理性能的支持向量回归研究-凝聚态物理专业论文.docxVIP

Quantum-behaved Particle Swarm Optimization Based Study on Physical Properties of Functional Thin Film with Support Vector Regression A Thesis Submitted to Chongqing University in Partial Fulfillment of the Requirement for the Degree of Master of Engineering By Zhu Xingjian Supervised by Prof. Cai Congzhong Major: Condensed Matter Physics College of Physics Chongqing University Chongqing, China May 2011 中文摘要 中文摘要 重庆大学硕士学位论文 重庆大学硕士学位论文 I I PAGE PAGE IV 摘 要 回归分析是数理统计学中应用最广泛的一个分支，传统的回归学习算法都以 经典统计数学的渐近理论为依据，统计规律只有在已知样本数无限多时才显露出 来。针对经典统计数学这一弱点，Vapnik 学派在 1995 年提出了“统计学习理论” 和“支持向量机(Support Vector Machine, SVM)”。支持向量机在少量样本时也可用 于分类和回归研究，并且具有很好的泛化能力，已被广泛应用于多个领域的实际 问题研究中。粒子群优化算法(Particle Swarm Optimization, PSO)是一种基于群体智 能理论的新兴演化计算技术。Sun 等人从量子力学的角度，通过对粒子收敛行为的 研究，基于 PSO 算法提出了量子粒子群算法(Quantum-behaved Particle Swarm Optimization, QPSO)。由于具有量子行为的粒子满足聚集态的性质完全不同，使粒 子能在整个可行的解空间中进行搜索寻求最优解，因而 QPSO 算法在搜索能力上 远远优于所有已开发的 PSO 算法。 本论文采用了多种传统和现代的数据回归理论与方法，针对功能薄膜等材料 的实验数据进行回归计算研究。重点是结合 QPSO 优化算法和支持向量回归 (Support Vector Regression, SVR)方法对全介质光学膜、质子交换膜燃料电池、Bi 系超导材料和 Co3O4 纳米粒子等功能材料的性能参数及实验结果进行回归预测， 并比较这些算法的性能和误差。同时还在已建立的 SVR 模型基础了进行了因素分 析、工艺参数优化和灵敏度分析等。 本文研究的主要内容有： ① 简要说明了功能薄膜材料的研究现状和实际问题。介绍了几种常用的传统 和现代回归方法及其原理，包括多元线性回归、偏最小二乘回归、概率神 经网络和极限学习机，分析了它们的优缺点。然后阐述了统计学习理论的 基本思想，并对支持向量回归原理进行了详细的叙述。 ② 介绍了 PSO 算法的基本原理及其改进与发展，简述了 QPSO 算法的基本 原理。此外，还简要给出了多种常用的参数优化算法的原理，如遗传算法、 差分进化算法、分散搜索算法、网格搜索算法、模拟退火算法和蚁群算法 等。 ③ 根据全介质光学膜、质子交换膜燃料电池、Bi 系超导材料和 Co3O4 纳米粒 子等多组实验数据，应用 QPSO-SVR 等多种回归方法对它们进行建模和 预测，并对比了模型的预测结果和泛化性能。 ④ 在已建立的 QPSO-SVR 模型的基础上，对质子交换膜燃料电池、Bi 系超 导材料和 Co3O4 纳米粒子等实验进行了因素分析，提出了优化的工艺参 数。 由研究结果可以看出，基于 QPSO 优化的 SVR 模型的预测精度优于多元线性 回归、神经网络等回归方法，且泛化能力也比其它方法要强。这表明 SVR 是一种 行之有效的数据处理分析方法，有望在研究和开发新型功能薄膜材料等方面发挥 其重要的作用。 关键词：功能薄膜，材料性能，支持向量回归，量子粒子群，回归分析 英文摘要 英文摘要 重庆大学硕士学位论文 重庆大学硕士学位论文 III III PAGE PAGE IV ABSTRACT Regression analysis is one of the most widely used branch in the mathematical statistics. The traditional regression algorithms are all based on the asymptotic theory of classical statistical mathematics, wher