结合均匀设计与支持向量回归，发展了多因素多水平配方工艺优化新方法。均匀设计（Uniform Design ，UD）相比正交设计能更有效降低实验个数。响应面优化等经验风险最小回归模型基于样本充分大或无限大假定，而配方优化是典型的小样本，其泛化推广能力在小样本前提下较差：由经验风险最小回归模型推测的最优配方，在验证中往往发现并不是满意配方。支持向量机（Support Vector Machine，SVM）是机器学习领域的集大成者，它基于结构风险最小，较好地解决了小样本、非线性、过拟合、维数灾和局极小等问题，泛化推广能力优异，但可解释性差。结合均匀设计与支持向量回归，袁哲明教授团队发展了多因素多水平配方工艺优化新方法 UD-SVR，基于 F 测验为 SVR 建立了一套较完整的非线性解释性体系，并在 12 个实例中验证了新方法的有效性。
微信公众号