| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-12页 |
| 1.1 问题的提出与高硬度材料的现状分析 | 第9-10页 |
| 1.1.1 问题的提出 | 第9页 |
| 1.1.2 高硬度材料的研究现状 | 第9-10页 |
| 1.2 论文的研究目的和意义 | 第10-12页 |
| 1.2.1 研究的主要意义 | 第10-11页 |
| 1.2.2 研究的主要内容 | 第11-12页 |
| 2 理论方法 | 第12-19页 |
| 2.1 机器学习理论 | 第12-13页 |
| 2.1.1 机器学习的表述和基本模型 | 第12-13页 |
| 2.1.2 经验风险最小化 | 第13页 |
| 2.2 支持向量回归机 | 第13-16页 |
| 2.2.1 线性回归 | 第14-15页 |
| 2.2.2 核函数 | 第15-16页 |
| 2.3 支持向量回归机的参数选择 | 第16-18页 |
| 2.3.1 对影响支持向量回归机性能的参数选择 | 第16-17页 |
| 2.3.2 粒子群优化算法简介 | 第17-18页 |
| 2.4 KNN算法 | 第18页 |
| 2.5 支持向量回归机性能评价 | 第18页 |
| 2.6 小结 | 第18-19页 |
| 3 基于SVR的类金刚石及岩盐结构多晶材料硬度建模研究 | 第19-28页 |
| 3.1 数据 | 第19-20页 |
| 3.2 模型的建立 | 第20页 |
| 3.3 模型的评估 | 第20-21页 |
| 3.4 结果及讨论 | 第21-26页 |
| 3.4.1 建模结果及分析 | 第21-26页 |
| 3.4.2 基于SVR模型对多晶材料硬度的影响因素的分析 | 第26页 |
| 3.5 因素灵敏度的分析 | 第26-27页 |
| 3.6 小结 | 第27-28页 |
| 4 基于SVR的铝合金中元素组分对合金硬度影响的研究 | 第28-39页 |
| 4.1 SVR建模及模型性能评价 | 第28-29页 |
| 4.1.1 SVR建模 | 第28-29页 |
| 4.1.2 Al合金的硬度预测的准确性分析 | 第29页 |
| 4.2 结果及讨论 | 第29-37页 |
| 4.2.1 建模结果及分析 | 第29-33页 |
| 4.2.2 基于SVR模型对影响Al合金硬度的元素的分析 | 第33-37页 |
| 4.2.3 各元素组分的灵敏度分析 | 第37页 |
| 4.3 小结 | 第37-39页 |
| 5 基于SVR的共价晶体硬度的建模研究 | 第39-46页 |
| 5.1 数据 | 第39-40页 |
| 5.2 模型的建立 | 第40页 |
| 5.3 结果和讨论 | 第40-42页 |
| 5.4 不同的结构参数对共价晶体硬度的影响 | 第42-44页 |
| 5.5 不同结构参数对共价晶体硬度的灵敏度分析 | 第44-45页 |
| 5.6 小结 | 第45-46页 |
| 6 结论和展望 | 第46-49页 |
| 6.1 结论 | 第46-47页 |
| 6.2 后续研究工作的展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录A：作者在攻读硕士学位期间发表的论文目录 | 第54页 |
