数据信息挖掘技术是指综合运用多种算法,对从各种渠道得来的大量数据进行计算机处理,通过信息加工,抽提有用信息,发现自然规律。作为一门多学科的交叉技术,数据挖掘已成为数据库系统和机器学习领域的重点研究课题,因其应用前景广阔而受到学术界和工业界的广泛关注。本文将若干种新型的数据挖掘方法应用于高导电高弹性铜合金及其它金属材料设计,并对传统的BP神经网络、RBF神经网络和遗传算法等进行改进,将各种数据挖掘方法有机地结合,特别是提出将具有良好的理论基础和泛化性能的支持向量机方法引入到高导电高弹性铜合金设计领域,应用其解决传统方法还不能完善解决的问题,建立准确、高效的材料组分、工艺或结构与性能关系模型,丰富和完善了现有的材料设计理论和方法,不仅能够从宏观上快速有效地进行新材料性质的预测和工艺优化,节约能源,而且促进了学科间的交叉。本研究涉及如下几方面内容:(1)提出了快速高效的LSSVM方法,与神经网络方法进行对比研究,成功地运用到Cu-15Ni-8Sn系合金成分、工艺参数和性能优化中,建立了成分和工艺参数优化的知识库,并且利用三维立体图的等高线将其直观地表达出来。计算结果表明:Cu-15Ni-8Sn-XSi合金最佳的Si含量为0.3左右;含Si量为0.3左右的合金,在50%预冷变形和400℃×(1.5～3h)时效后,合金可获得412HV以上的硬度,并有良好的导电率;在450℃×(0.9～1.7h)时效,合金可获得416HV以上的硬度。LSSVM模型得到函数曲线的规律与机理分析一致。(2)探索新的多层前馈型BP神经网络的训练策略,针对基于梯度下降算法优化的BP神经网络存在收敛速度慢、易陷入局部极小的问题,提出了将差分进化算法与BP神经网络有机地结合,形成了基于贝叶斯权重规范化的差分进化训练策略,改进了网络的收敛性能和预测能力。首次将差分进化神经网络算法成功地应用于预报Cu-15Ni-8Sn-0.4Si合金的硬度和电性能。(3)针对标准的SVM方法的训练运算速度慢的缺陷,首次用快速高效的LSSVM方法建立了能够反映高导电高弹性Cu-Ni-Sn和Cu-Ti系合金的成分、轧制变形、时效工艺参数与导电率和硬度性能之间复杂交互作用关系的经验模型,并且利用工艺参数知识库和三维立体图及其等高线将其直观地表达出来,得出了时效温度、时效时间和预冷变形量工艺参数对硬度和导电率的影响规律,从而为实现Cu-Ni-Sn和Cu-Ti系合金成分、工艺参数和性能的最优化设计以及后续建立具有重要的实际应用价值的导电弹性铜合金模型奠定了基础。(4)建立了基于RBFN、RBF-PLSR、GRNN和LSSVM方法的Cu-Ti系合金的硬度和导电性能预报模型,模型比较结果说明:神经网络模型依据ERM原则,影响了预报精度的进一步提高,而LSSVM采用了SRM原则,能根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,使预报精度更加接近于拟合精度,具有更好的泛化性能。(5)RBF网络结构的设计和训练正处于探索阶段,尚未有一种统一有效的方法。本文从空间变换的角度出发将RBF网络和PLSR相结合,建立了RBF-PLSR网络模型,RBF-PLSR模型以神经网络与线性回归相结合的方式,很好的解决了RBF网络结构参数难以确定的难题,并成功地应用于Cu-Ti系合金的性能预报,显示了比传统的RBF网络更好的预测性能和稳定性,揭示了发展新型的PLS-SVM方法的可能性。(6)利用Cu-1.5Ti和Cu-4.5Ti合金时效过程中析出相的体积分数与导电率的线性关系,推导出实验温度下合金时效的Avrami相变动力学方程与导电率方程。基于半经验的物理方程拟合的导电率变化规律与LSSVM模型预测的函数曲线很相似。(7)将模式识别及神经网络方法有机地结合,采用PLS部分得分作为BPN的输入元素,简化神经网络结构,有利于克服过拟合,提高神经网络预报的准确性。应用PLS—BP方法对7005铝合金在线挤压淬火工艺和随后的时效工艺对合金力学性能的影响进行了定性分析和定量计算。实践证明,PLS—BP方法不但可以实现对7005铝合金性能的正向预测,还可以实现工艺参数的逆向设计。(8)提出了一种新型的基于多种群和精英保留策略相结合的改进的遗传算法(GA),高效选择SVR模型的最佳参数,将GASVM方法应用于预测锌和钢的大气腐蚀,由于SVR体现了结构风险最小化原理及其可以收敛到全局最优解,因此获得了比BP人工神经网络模型更优异的泛化性能,提高了锌或钢的大气腐蚀深度的预报性能。