3 结束语
本文介绍了SVR的相关原理；利用基于SVR的材料性能预测模型，对三不同材料的有关性能进行预测。研究实例显示：SVR预测模型具有良好的学习和泛化能力，基于SVR的预测模型，在材料性能的预测领域可以有很广泛的应用。
教育期刊网 http://www.jyqkw.com
参考文献
［１］邓乃扬,田英杰.数据挖掘中的新方法-支持向量机[M].北京:科学出版社, 2004.
［２］Z. Lu, J. Sun. Non-Mercer hybrid kernel for linear programming support vector regression in nonlinear systems identification[J]. Applied Soft Computing, 2009, 9(1): 94-99.
［３］K.W. Lau, Q.H. Wu. Local prediction of non-linear time series using support vector regression[J]. Pattern Recognition, 2008, 41(5): 1539-1547.
［４］B. Schǒlkopf, A.J. Smola. Learning with kernels[M]. 1st edition. London: The MIT press, 2002: 25-60.
［５］唐江凌, 蔡从中,等.Al-Cu-Mg-Ag合金强度性能的支持向量回归预测[J]. 航空材料学报,2012,5:92-96.
［６］唐江凌,蔡从中,等.支持向量回归在Zr-2合金晶粒尺寸预测中的应用[J]. 材料热处理学报,2013,2:180-184.
［７］J. L. Tang C. Z. Cai, et al. Modeling and Predicting Tensile Strength of Tungsten Alloy by Using PSO-SVR[J]. Advanced Materials Research, 2012, 455-456: 1497-1503.
［责任编辑：杨玉洁］