很明显，在RBF的测试和总体数据集方面，都表现出了最好的高相关性能。它在四个函数中具有最小均方误差，并且具有最小的标准偏差。所以，详细的讨论将集中于RBF来解释这个模型的主要特点。表4中列示出了所有研究的样本，在预测模型中的总误差平均值被发现是（-0.32084），总体相关系数非常显著（约99％），这也反映了开发的模型的高精度。图4则显示了相关数据集（a），测试数据集（b）和总数据集（c）的RBF的预测值作图。可以看出，预测值非常接近图中所有数据集的等式线分布，并且与实际观察到的数据高度相似，这表示所提出的上述模型具有高可靠性。而且，对于每个数据集，我们都为其拟合了最佳的计算公式来绘制分布图。

　　表4：RBF支持向量机模型的主要特点

　　图4：（a） 相关数据集；（b）测试数据集；（c）总数据集

　　5.总结

　　这项工作主要是对不同混合比例的轻质泡沫混凝土在第28天里抗压强度的变化作了研究。结果显示，密度和水泥含量对混凝土强度产生的影响非常显著，因此，这两个因素对设计泡沫混凝土混合物具有重要的意义。同时，该研究还证明了，随着w / c比、砂/水泥比和泡沫含量的增加，对泡沫混凝土的抗压强度会造成不利的影响。

　　在本研究中，研究者提出了一种用于预测轻质泡沫混凝土抗压强度的数学模型。用于执行所提出的模型的技术包括传统的多变量非线性回归和具有变革性的支持向量机建模。结果显示，本研究中使用的数据集的观察值和预测值之间拥有良好的相关性。所以，这两项技术被称为是最具有吸引力的过程预测工具。事实证明，SVM技术中的径向基函数（RBF）与其他函数和传统回归相比，在预测结果上能够达到最小均方误差和标准偏差。这反映了该种AI相关技术，除了预测整体相关性以外，在预测其它数据集结果方面表现出了非常良好的高精度性。