基于支持向量机的炭黑工艺建模

将支持向量用于炭黑工艺建模,并与主成分回归、反向传播人工神经网络以及径向基神经网络建模方法相比较.结果表明,炭黑生产过程具有比较强的非线性,不适合用主成分回归方法建立模型,支持向量机对炭黑吸碘值和吸油值的相对预测误差分别为1.62%和1.31%,所构建的模型的预测准确度明显优于反向传播人工神经网络(2.54%,1.64%),稍优于径向基神经网络(1.85%,1.38%).

多环芳烃及其衍生物致癌性的支持向量机预测模型

分别用支持向量分类法、Fisher法判别、K最近邻法和反向传播人工神经网络,对353种多环芳烃及其衍生物致癌性构建二分类模型,并采用留一法交叉校验作比较,所构建的支持向量机模型的误报样本数及预报准确率均高于其它3种方法.实验结果表明,支持向量机算法具有较强的稳健性和良好的泛化能力,能够用于多环芳烃及其衍生物致癌性的二分类和预测.

基于支持向量机的羰基化合物红外光谱研究

设计了一个4层分等级分类系统,通过支持向量机技术对羰基化合物的红外光谱成功地进行了信息分类和提取,并与人工神经网络进行比较,结果表明:支持向量机对羰基类化合物红外光谱分类效果优于人工神经网络;另外详细探讨了表征酰胺类化合物的特征光谱峰片段对识别伯仲叔酰胺的影响,证明了酰胺的N-H伸缩振动峰对识别伯仲叔酰胺贡献最大,为构建红外光谱智能解析系统提供了定量依据。