选择特殊符号
选择搜索类型
请输入搜索
结合纳米氧化铝材料的廉价制备的探索性研究和氧化铟气敏材料综合性能的优化研究,在已掌握支持向量机基本算法的基础上,研究以支持向量机为基础的实验设计的新算法和新软件,并用于寻求制备纳米氢氧化铝的最优条件的数学模型、寻求由纳米氢氧化铝煅烧制取纳米级α氧化铝粉或多孔薄膜的最佳条件和工艺的数学模型、寻求这一新的实验设计手段在氧化铟新型气敏元件综合性能的优化工作中的应用。实验设计中条件和工艺优化问题是材料设计领域普遍存在的问题,本课题不仅要解决纳米氧化铝廉价制备条件的优化等问题,而且要为其它材料科学家提供一整套行之有效的材料设计和实验设计的新方法、新软件。支持向量机方法不仅在材料设计领域将成为一种重要的数据处理算法,而且可望在化学化工等领域有广阔的应用前景。 2100433B
批准号 |
20373040 |
项目名称 |
纳米氧化铝材料设计的支持向量机方法 |
项目类别 |
面上项目 |
申请代码 |
B0302 |
项目负责人 |
陆文聪 |
负责人职称 |
教授 |
依托单位 |
上海大学 |
研究期限 |
2004-01-01 至 2006-12-31 |
支持经费 |
20(万元) |
氧化铝是白色晶状粉末,已经证实氧化铝有α、β、γ、δ、η、θ、κ和χ等十一种晶体。
中文名:纳米氧化铝英文名:Aluminium oxide,nanometer别名:纳米三氧化二铝CAS RN.:1344-28-1分子式:Al2O3分子量:101.96HS编码:28182000
纳米氧化铝和纳米氧化硅的区别当然铝经过氧化表面处理后好了。因为 铝合金在没有经过表面处理之前,很容易被外界因素把表面的膜给氧化掉,在经过铝氧化表面处理后能提高铝的耐腐蚀性 、增强耐磨性及硬度,保护金属...
氧化铝材知识
氧化铝材: 把基材作为阳极, 置于电解液中进行电解, 人为地在基材表面形成一层具有保 护性的氧化膜从而形成了氧化铝材。 氧化铝材主要特点: 1、具有很强的耐磨性、耐候、耐蚀性。 2、可以在基材表面形成多种色彩,最大限度的适合您的要求。 3、硬度强,适合各种建筑、工业料的制作。 电泳铝材: 把氧化铝材为阳极, 置于水溶性的乳胶液中, 通以直流电, 人为地在铝材氧 化膜的表面沉积成涂漆膜保护层从而形成电泳铝材。 高档电泳铝材主要特点: 1、具有很强的漆膜硬度、抗冲击力强。 2、具有很高的漆膜附着力,不易脱落老化。 3、比氧化铝材有更强的耐磨性、耐候性、耐碱性。 4、表面色彩丰富、靓丽,具有镜面般的光泽效果。 电泳铝型材是在氧化铝材基础上加工的, 质量比氧化铝材更高一筹。 价钱相 对也好一点。 铝型材的电泳、氧化、封孔、抛光是什么样的处理方式? 都是化学处理。 电泳的膜厚一般多少个微米,膜的组成
本书从机器学习的基本问题开始,循序渐进地介绍了相关的内容,包括线性分类器、核函数特征空间、推广性理论和优化理论,从而引出了支持向量机的算法,进而将支持向量机应用到实际的工程实例中。
本书共分为8章,第1章统计学习理论基础,第2章支持向量机基础,第3章支持向量机的分类、回归问题及应用,第4章应用背景及混合气体红外光谱分析基础,第5章基于SVM和红外光谱的含烃类混合气体分析方法,第6章含烃类混合气体分析方法的实际应用研究,第7章层次式SVM子集含烃类混合气体光谱分析框架研究, 第8章石油天然气红外光谱分析系统的集成应用。
本书适合高等院校高年级本科生、研究生、教师和相关科研人员及相关领域的工作者使用。
本书既可作为研究生教材,也可作为神经网络、机器学习、数据挖掘等课程的参考教材。
第1章 统计学习理论基础 1
1.1 机器学习 1
1.1.1 基于数据的机器学习问题模型 2
1.1.2 经验风险最小化 5
1.2 统计学习理论的产生 5
1.3 学习过程的一致性条件 7
1.4 VC维理论 8
1.5 推广性的界 9
1.6 结构风险最小化 10
1.6.1 结构风险最小化的含义 10
1.6.2 SRM原则的实现 11
第2章 支持向量机基础 13
2.1 SVM的基本思想 13
2.1.1 最优分类面 14
2.1.2 广义的最优分类面 15
2.2 核函数 17
2.3 支持向量机的经典算法剖析 20
2.3.1 算法概述 21
2.3.2 SMO算法 23
2.3.3 C-SVM算法及其变形算法 28
2.3.4 v-SVM算法 30
2.4 SMO算法的自适应学习改进方法 32
2.4.1 SMO算法与二次规划 33
2.4.2 自适应学习方法 33
2.4.3 实验结果 34
2.5 LibSVM软件 36
2.5.1 LibSVM软件简介 36
2.5.2 LibSVM软件的使用方法 37
第3章 支持向量机的分类、 回归问题及应用 41
3.1 分类问题的提出及SVM分类原理 41
3.1.1 线性分类 43
3.1.2 近似线性分类 44
3.1.3 非线性分类 45
3.2 多类分类问题 46
3.2.1 多类分类原理 47
3.2.2 经典多类分类算法简介 48
3.3 SVM回归原理 53
3.3.1 SVM回归问题的描述 53
3.3.2 线性支持向量机回归 55
3.3.3 非线性支持向量机回归 56
3.4 基于关联规则的SVM在线分类方法 57
3.4.1 基本思路 58
3.4.2 混合气体分布模式中心集的生成 59
3.4.3 分布模式SVM的在线学习 60
3.5 压力传感器支持向量机的校正方法 62
3.5.1 支持向量机与压力传感器的特性校正原理 62
3.5.2 实验及分析 64
3.6 支持向量机回归用于分类 66
3.6.1 思路及推导证明 66
3.6.2 应用实例 67
3.7 基于支持向量机的设备备件供应研究 69
3.7.1 设备备件供应保障概述 69
3.7.2 基于LS-SVM的设备备件多元分类 70
3.7.3 基于SVM的设备备件需求预测 73
第4章 应用背景及混合气体红外光谱分析基础 77
4.1 研究背景与意义 77
4.2 气测录井中混合气体分析的发展、 现状及存在的问题 79
4.2.1 气相色谱分析 79
4.2.2 红外光谱分析 82
4.3 支持向量机与红外光谱分析结合 87
4.3.1 问题的提出 87
4.3.2 研究方法 88
4.3.3 技术路线 88
4.4 红外光谱分析理论基础 88
4.4.1 LambertBeer吸收定律 89
4.4.2 红外光谱理论 90
4.4.3 傅立叶变换红外光谱仪 92
4.5 红外光谱数据的描述及分析方法 95
4.5.1 红外光谱数据的描述 95
4.5.2 红外光谱分析方法 96
4.6 红外光谱分析 97
4.6.1 红外光谱的定性分析 97
4.6.2 红外光谱的定量分析 100
第5章 基于SVM和红外光谱的含烃类混合气体分析方法 105
5.1 分析方法的基本工作模式及处理流程 105
5.1.1 分析思路 106
5.1.2 含烃类混合气体组分浓度的SVM分析原理 107
5.1.3 实验装置 108
5.1.4 处理流程 108
5.2 含烃类混合气体的基本工作模式分析 110
5.2.1 混合气体样本的建立 110
5.2.2 光谱数据预处理 112
5.2.3 SVM校正模型的训练与检验 112
5.2.4 SVM校正模型的实现 113
第6章 含烃类混合气体分析方法的实际应用研究 115
6.1 含烃类混合气体分析方法的参数选择 115
6.1.1 SVM校正模型参数对分析结果的影响 115
6.1.2 光谱数据预处理——归一扩展法 117
6.1.3 光谱分析波段对结果的影响 119
6.1.4 红外光谱仪扫描间隔对结果的影响 120
6.1.5 参数选择结果 121
6.2 二氧化碳气体浓度分析 122
6.2.1 混合气体样本的建立 122
6.2.2 光谱数据预处理 124
6.2.3 SVM校正模型的训练与检验 124
6.2.4 SVM校正模型的实现 124
6.3 含烃类混合气体组分浓度分析 125
6.3.1 单组分气体实验 125
6.3.2 两组分气体实验 127
6.3.3 多组分气体实验 128
6.4 含烃类混合气体组分种类分析 129
6.4.1 SVM校正模型用于混合气体组分种类识别的原理 129
6.4.2 实际应用 130
第7章 层次式SVM子集含烃类混合气体光谱分析框架研究 131
7.1 层次式SVM子集混合气体分析框架 131
7.1.1 基本概念 131
7.1.2 层次式SVM子集原理 132
7.1.3 实验结果 134
7.2 层次式SVM子集含烃类混合气体的光谱分析集成框架 135
7.2.1 分析集成框架的结构 135
7.2.2 混合气体分布子模式的建立 136
7.2.3 SVM模型的建立及优化 138
7.2.4 分析结果 140
第8章 石油天然气红外光谱分析系统的集成应用 141
8.1 实验系统 141
8.1.1 配气系统 141
8.1.2 红外光谱数据样本制作系统 144
8.1.3 SVM校正模型 148
8.2 系统集成框架 148
8.2.1 系统总体框架 149
8.2.2 系统硬件 149
8.2.3 系统软件 150
8.2.4 系统功能 153
8.3 现场应用 153
8.3.1 性能指标评估 153
8.3.2 运行状况 155
参考文献 156 2100433B
SVC-支持向量分类
在支持向量机SVM理论中,有DPS系统提供支持向量机分类功能,其中包含C-SVC和V-SVC