沥青生产过程中软化点的SVR预测

根据30组不同电阻和温度下的沥青软化点的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,并结合留一交叉验证(LOOCV)法对沥青软化点进行了建模和预测研究,将其预测结果与多元线性回归(MLR)模型的计算结果进行了比较。SVR-LOOCV预测的最大误差为2.1 ℃, 远比MLR模型计算的最大误差7.9 ℃要小得多。统计结果表明：基于SVR-LOOCV预测结果的均方根误差(RMSE=0.75 ℃)、平均绝对误差(MAE=0.32 ℃)和平均绝对百分误差(MAPE=0.28%)相应也比MLR回归模型的预测结果(RMSE=3.3 ℃,MAE=2.6 ℃和MAPE=2.34%)要小。因此,应用SVR实时预测沥青产品的软化点,可为生产优质沥青提供准确的科学指导。     

木材导热系数的支持向量回归预测

根据木材在不同影响因素(密度、含水率和比重)下沿横纹方向(包括径向和弦向)的导热系数的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了木材沿不同方向的导热系数的预测模型,并与通过类比法(ANA)导出的理论模型和BP神经网络(BPNN)模型进行了比较。结果表明:基于相同的训练样本和检验样本,木材导热系数的SVR模型比其ANA模型或BPNN模型具有更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR模型预测的最大绝对百分误差(MPE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小。因此,SVR是一种预测木材导热系数的有效方法。