材料形成过程是一个极其复杂的动力学过程,对其进行机理建模耗时又难以保证准确性,本研究将材料科学与信息科学技术结合,把材料演变过程的外部特征看成非平稳过程,以Cu-Zr-Al非晶材料动态晶化过程为对象,从观测数据出发研究材料形成过程的复杂动态建模及预测方法。为了使最小二乘支持向量机更适合于在线应用,本文提出的算法将模糊隶属度概念引入增量式支持向量机,降低了回归函数对孤立点的敏感度,提高了预测的精度。仿真实验可以看出增量式模糊最小二乘支持向量机算法精度更高,速度更快,加上其自身的递推式特点,更便于实际应用。对于非平稳时间序列预测,除了模型的选择外,关键取决于如何提取时间序列中的低频和高频成分并对其建模,以及如何避免对高频信息的过拟合,考虑到二进正交小波分解对非平稳性时间序列的适应性、对低频的分离作用,本文将小波变换应用到时间序列的预测中,提出了一种基于小波变换和BP-ILSSVM方法的非平稳时间序列预测方案。首先利用Mallat算法对非平稳时间序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息,然后对高频信息构建BP神经网络模型,而对低频信息则利用在线式最小二乘支持向量机进行拟合,最后将各模型的预测结果叠加,从而得到原始序列的预测值。仿真实验表明,该方法不仅能够充分拟合低频信息,而且能够避免对高频信息的过拟合,是非平稳时间序列的有效预测方法。