1、20世紀(jì)60年代，Vapnik及其合作者提出了利用經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)的統(tǒng)計(jì)學(xué)習(xí)理論（StatisticalLearningTheory,簡稱SLT）。SLT是一種可應(yīng)用于小樣本分析的統(tǒng)計(jì)理論，具有較強(qiáng)的實(shí)用性。支持向量機(jī)(SupportVectorMachine,SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理提出的一種有監(jiān)督的新的機(jī)器學(xué)習(xí)方法，被公認(rèn)為小樣本情況下統(tǒng)計(jì)學(xué)習(xí)的經(jīng)典。與多元非線性回歸(MNR)等其它學(xué)習(xí)方法相比，SVM具有

2、較好的泛化和學(xué)習(xí)能力，已被廣泛的應(yīng)用于諸多領(lǐng)域。
　　本論文對超導(dǎo)元素的實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行特征選擇，再利用支持向量回歸（SVR）進(jìn)行回歸分析，比較了SVR和MNR的預(yù)測結(jié)果。同時(shí)用SVR方法對實(shí)驗(yàn)數(shù)據(jù)集（瀝青生產(chǎn)過程中的軟化點(diǎn)、摻雜二硼化鎂體系的超導(dǎo)轉(zhuǎn)變溫度和以Ni/Al為底層等離子噴涂FeO4粉的結(jié)合強(qiáng)度）直接進(jìn)行預(yù)測，并利用粒子群算法對材料合成工藝參數(shù)進(jìn)行了尋優(yōu)和因素分析。
　　本文研究的主要內(nèi)容有：
　?、賹ΤＳ玫奶?/p>

3、征提取和選擇方法進(jìn)行了綜述，介紹了灰關(guān)聯(lián)分析、靈敏度分析、信噪比、熵標(biāo)準(zhǔn)、遺傳算法(GA)、主成分分析法(PCA)、粒子群尋優(yōu)算法(PSO)、模擬退火算法(SA)和其他常用的特征選擇方法的算法、及其優(yōu)點(diǎn)和缺點(diǎn)等。
　　②對SVR原理進(jìn)行了詳細(xì)的敘述，并介紹了其算法、實(shí)現(xiàn)和發(fā)展。介紹了幾種常用的回歸方法及其原理，包括廣義神經(jīng)網(wǎng)絡(luò)、MLR、嶺回歸。分析了它們的優(yōu)點(diǎn)和缺點(diǎn)。
　?、鄹鶕?jù)超導(dǎo)元素的實(shí)驗(yàn)數(shù)據(jù)集，應(yīng)用靈敏度分析對數(shù)據(jù)集進(jìn)

4、行特征提取，然后用支持向量回歸方法對它們的超導(dǎo)轉(zhuǎn)變溫度進(jìn)行了建模和預(yù)測，并對它們預(yù)測結(jié)果與MNR進(jìn)行了分析比較;根據(jù)摻雜MgB2系超導(dǎo)體的實(shí)驗(yàn)數(shù)據(jù)，SVR應(yīng)用超導(dǎo)體系的拓?fù)涿枋龇麑Τ瑢?dǎo)轉(zhuǎn)變溫度進(jìn)行了預(yù)測和比較；根據(jù)生產(chǎn)過程中瀝青的實(shí)驗(yàn)數(shù)據(jù)集，SVR方法對瀝青的軟化點(diǎn)進(jìn)行了有效的預(yù)測；根據(jù)等離子噴涂FeO4粉的實(shí)驗(yàn)數(shù)據(jù)集，SVR對以Ni/Al為底層等離子噴涂FeO4粉的結(jié)合強(qiáng)度進(jìn)行了預(yù)測。
　?、茉谝呀ê玫闹С窒蛄炕貧w模型的基礎(chǔ)上，