摘要:对于多极值、存在高阶交互作用和约束的复杂过程,参数RSM整体代表性差,难以达到全局最优;而非参数RSM在样本量有限时泛化性差,模型难以优化.将RSM模型拟合归结为一类有限制条件、可主动获取样本点的小样本学习问题;提出一种基于SVM的复杂过程RSM模型拟合方法,并提出了适用于RSM的实用性SVM核函数及参数选择方法.算例研究表明,所提的核函数及参数选择方法得到的泛化误差与其最小值的平均偏离率在20%以内;基于SVM的RSM拟合模型对因子约束、误差分布无严格限制,泛化性能、曲面重现能力均优于现有RSM,其平均泛化误差与样本量分别比非参数RSM降低约20%和30%,说明了所提方法的有效性与优越性.