皇思洁
,
蔡从中
,
曾庆文
功能材料
doi:10.3969/j.issn.1001-9731.2013.14.022
根据脉冲激光沉积(PLD)法在单晶Si试样表面沉积制备多层TiN/AlN硬质膜实验数据,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立不同工艺参数下沉积的TiN/AlN多层膜的A1N膜厚及TiN薄膜硬度的SVR预测模型.在相同的训练与测试样本集下,将SVR所得的AlN膜厚预测值与免疫径向基函数(IRBF)神经网络的计算结果进行比较.结果表明,SVR模型训练和预测结果的平均绝对百分误差要比IRBFNN模型的小,其预测精度更高,预测效果更好.应用SVR的TiN薄膜硬度模型对PLD法沉积TiN薄膜的工艺参数进行了优化,分析了多因素对PLD法沉积TiN薄膜硬度的交互作用和影响.该方法可为人们利用PLD法沉积TiN/AlN多层功能薄膜提供科学的理论指导,具有重要的理论意义和实用价值.
关键词:
脉冲激光沉积
,
TiN/AlN硬质多层膜
,
支持向量回归
,
回归分析
,
工艺优化
牛培峰
,
李鹏飞
,
李国强
,
马云飞
钢铁
针对目前板形模式识别模型泛化能力不高、训练速度慢等缺陷,以1次、2次、3次、4次勒让德正交多项式为板形缺陷基本模式,提出了由支持向量回归机（SVR）构建的模式识别模型;为了提高该模型的精确度,引入万有引力算法（GSA）优化SVR的参数,由此构成GSA-SVR预测模型。仿真试验结果表明：GSA-SVR模型不仅识别结果精度高,而且与PSO-BP神经网络模型相比泛化能力更强,训练速度更快,其识别结果可以为板形控制提供有效的依据。
关键词:
板形
,
模式识别
,
勒让德多项式
,
万有引力算法
,
支持向量回归机
徐喆
,
毛志忠
钢铁
不能及时获得收得率影响因素的检测数据是钢包精炼炉元素收得率预报的难点之一。为了解决该问题,首先通过机制分析,在可测变量中选取并创建可以间接表达收得率影响因素的变量,然后将这些变量作为模型的输入,使用支持向量机方法建立元素收得率预报模型。在试验中,将本方法与已有方法进行了比较,比较结果表明本方法所建模型有较高的预报精确度与命中率,更适合于在生产中使用。
关键词:
钢包精炼炉
,
元素收得率
,
支持向量回归
,
影响因素
,
预报
