CN111507518A - 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 - Google Patents
一种基于随机森林的小波神径网络混凝土抗渗预测的方法 Download PDFInfo
- Publication number
- CN111507518A CN111507518A CN202010290713.1A CN202010290713A CN111507518A CN 111507518 A CN111507518 A CN 111507518A CN 202010290713 A CN202010290713 A CN 202010290713A CN 111507518 A CN111507518 A CN 111507518A
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction
- wavelet neural
- random forest
- concrete impermeability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000004568 cement Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 6
- 239000002585 base Substances 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 239000003513 alkali Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000010881 fly ash Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 229910021487 silica fume Inorganic materials 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003487 anti-permeability effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于混凝土抗渗性预测技术领域，公开了一种基于随机森林的小波神径网络混凝土抗渗预测的方法，建立初始指标体系和原始训练集；基于随机森林的特征选择，得到最优指标集；建立小波神经网络预测模型，进行回归预测；预测结果评价。本发明提供的基于随机森林的小波神径网络混凝土抗渗预测的方法，将随机森林算法和小波神径网络结合起来，针对混凝土抗渗性影响因素多、噪声干扰复杂的特点，利用随机森林对影响因素进行重要性评价和特征选择，得到最优指标集，再用于建立混凝土抗渗性的小波神径网络预测模型，有效降低了训练模型的维度，改进了单一智能模型收敛速度慢、易陷入局部最优等缺陷，加快了训练速度，提高了预测精度。
Description
技术领域
本发明属于混凝土抗渗性预测技术领域，尤其涉及一种基于随机森林的小波神径网络混凝土抗渗预测的方法。
背景技术
目前，近年来，在实际工程中因为混凝土耐久性不足而导致结构破坏的事件屡屡发生，混凝土作为一种广泛应用的建筑材料，其耐久性问题越来越受到国内外的广泛关注。混凝土的早期耐久性一般通过抗冻性、抗渗性、抗侵蚀性等指标反映，其中抗渗性是反映混凝土耐久性的重要指标之一，因此，对混凝土早期抗渗性进行快速有效的预测具有重要的工程应用价值。
目前国内外许多专家都对混凝土的抗渗性能进行了相关研究，但是大部分研究普遍采用的还是传统的实验方法，而传统的实验方法由于测量数据的随机性、***误差等因素的影响，混凝土的渗透规律具有许多不确定性，采用一般的统计方法，试验观测数据的离散性较大，往往会造成分析结果失真，并且传统的实验方法往往是一项长期而复杂的过程，实验周期长，工作量巨大，研究效率比较低。
随着计算机技术的不断进步，一些专家也开始将目光转向智能算法领域，尝试结合智能算法来进行混凝土抗渗性的研究，但目前对于智能算法的应用还处于起步阶段，大多采用的是单一的卷积神经网络、BP神经网络等智能预测模型，虽然有效地解决了研究中出现的一些复杂问题，减小了误差，提高了研究效率，但是单一的智能模型存在高度依赖于数据库的准确性，收敛速度较慢，易陷入局部最优等固有缺陷，可能会导致不恰当和不可靠的预测结果。此外，混凝土抗渗性预测存在影响因素多、噪声干扰复杂等特点，需要有效地选择有用的影响因素，才能得到更为准确的预测结果。
综上所述，现有技术存在的问题是：(1)采用传统实验方法对混凝土的抗渗性能的研究，由于测量数据的随机性、***误差等因素的影响，混凝土的渗透规律具有许多不确定性，采用一般的统计方法，试验观测数据的离散性较大，往往会造成分析结果失真，并且传统的实验方法往往是一项长期而复杂的过程，实验周期长，工作量巨大，研究效率比较低。
(2)采用单一的卷积神经网络、BP神经网络等智能预测模型对混凝土抗渗性的研究，单一的智能模型存在高度依赖于数据库的准确性，收敛速度较慢，易陷入局部最优等固有缺陷，可能会导致不恰当和不可靠的预测结果。
解决上述技术问题的难度：为了解决上述问题，需要一个具有良好泛化能力，并且收敛速度快，模型精度较高的智能预测方法用于混凝土抗渗性预测。此外，混凝土抗渗性的影响因素较多，噪声干扰复杂，且样本数据具有非线性、复杂性等特点，如何对多种影响因素进行有效筛选，确定对混凝土抗渗性较重要的关键因素来建立预测模型，成为了混凝土抗渗性精准预测问题中具有挑战性的任务。
解决上述技术问题的意义：采用适当的方法对混凝土抗渗性的多种影响因素进行筛选，然后基于筛选后的影响因素建立混凝土抗渗性预测模型，可以有效降低训练模型的维度，加快模型训练速度，得到更准确、更稳定的预测结果，从而为实现混凝土抗渗性预测提供了一种有效的工具。
发明内容
针对现有技术存在的问题，本发明提供了一种基于随机森林的小波神径网络混凝土抗渗预测的方法，旨在利用随机森林对混凝土抗渗性的影响因素进行重要性评价和特征选择，将降维后的影响因素集用于小波神径网络建模对混凝土抗渗性进行预测，实现更稳定、更准确的混凝土抗渗性预测效果。
本发明是这样实现的，一种基于随机森林的小波神径网络混凝土抗渗预测的方法，所述基于随机森林的小波神径网络混凝土抗渗预测的方法包括以下步骤：
步骤一，建立初始指标体系，将指标体系中不同影响因素作为随机森林的变量，收集统计相关数据，将对应的数据作为原始训练集。
步骤二，利用随机森林算法对混凝土抗渗性的影响因素进行重要性评价和特征选择，通过剔除重要性弱的变量得到最优指标集。
步骤三，将筛选后得到的最优指标集作为小波神径网络的输入变量，建立小波神径网络预测模型，对混凝土抗渗性进行回归预测，并输出最终的预测结果。
步骤四，预测结果评价：选用均方根误差(RMSE)、拟合优度(R2)两个参数作为模型的预测精度的评价依据，对预测结果进行评价。
进一步，步骤一中，所述初始指标体系的建立方法如下：
基于大量文献以及工程实际经验的总结，从混凝土材料配比层面选择混凝土抗渗性的影响因素分别如下：水泥强度、水泥用量、粉煤灰用量、外加剂用量、细集料用量、粗集料用量、混凝土强度、砂率、硅灰用量、水胶比、水用量、氯离子含量、碱含量、含泥量、针、片状颗粒总含量、平均粒径等，选择抗氯离子扩散系数作为混凝土抗渗性的评价指标，从而构建一套初始指标体系。
进一步，步骤二中，所述利用随机森林算法对混凝土抗渗性的影响因素进行重要性评价和特征选择，通过剔除重要性弱的变量得到最优指标集的方法如下：
(I)对随机森林袋外数据OOB的所有样本的特征加入噪声干扰，根据OBB误差率计算每个变量的重要性并降序排列，得出不同影响因素的重要性强弱程度。某个变量特征的重要性计算表达式如下式所示：
其中，r1为随机森林袋外数据的袋外误差，r2为对袋外数据中的某个特征加入噪声干扰后再次计算的袋外误差，N为随机森林中决策树的棵数。
(II)利用递归式特征消除(RFE)对训练数据集进行特征选择，比较不同变量组合时的均方误差变化，根据均方误差最小原则找到最优特征数量。
(III)从当前指标集中逐次去除一个最不重要的指标，直到达到最优指标数量，此时的指标集即为筛选后的最优指标集。
进一步，步骤三中，所述将筛选后得到的最优指标集作为小波神径网络的输入变量，建立小波神径网络预测模型，对混凝土抗渗性进行回归预测的方法如下：
(1)确定网络结构。
网络结构的确定是小波神经网络模型构建的基础，在进行模型学习训练之前，需要先确定网络结构输入层、输出层和隐含层的相关参数。小波神径网络的输入层和输出层一般根据实际工程情况确定，输入层节点个数依据样本的数量确定，输出层节点数一般为1；隐含层层数一般确定为一层，避免隐含层数过多容易导致收敛速度大幅度下降而使得误差变大，隐含层的节点数根据以下经验公式确定：
其中，j为输入层节点数，i为输出层节点数，k为隐含层层数。
(2)选择训练方法和激励函数。
在传统小波神经网络模型中，对样本的训练采用的是快速梯度下降法，这种算法具有收敛速度快、收敛精度高的优点，能够使网络较易拟合。小波神径网络通过激励函数进行结构层各节点的权值传递，因此激励函数的选取非常重要，它直接影响最终小波神经网络模型的性能，一般选择性能稳定、稳健性良好的Morlet小波函数作为其隐含层的激励函数，使模型具有良好的抗干扰能力，表达式如下式所示：
(3)小波神径网络训练和预测。
对最优指标集进行分集，将其分为训练集和预测集，训练集用于训练网络，测试集用于测试网络预测的精度；初始化小波神经网络的权值和相关参数，设置学习效率，将训练数据输入网络，利用训练好的网络计算出预测值和预测值与期望输出值的误差，判断误差是否符合要求，如果符合要求，则输出预测值和误差，否则依据误差修正网络权值和小波函数参数，不断进行网络训练，直至误差符合要求；对输出的预测值进行反归一化处理得到最终预测值。
进一步，步骤四中，所述均方误差和拟合优度表达式如下式所示：
其中，yobs是实际观测值，ypred是预测值。
R2是统计模型解释的数据集中的可变性的比例，能够衡量回归直线对观测值的拟合度，R2的范围在0到1之间，越靠近1表示观测数据越精确；RMSE值是估计量预测的值与实际观测值之间的个体差异的总和，RMSE的值等于或大于0，越接近0表示观测数据在统计上越完美。
本发明的另一目的地在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施基于随机森林的小波神径网络混凝土抗渗预测的方法。
本发明的另一目的地在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行基于随机森林的小波神径网络混凝土抗渗预测的方法。
本发明的另一目的地在于提供一种实施基于随机森林的小波神径网络混凝土抗渗预测的方法的基于随机森林的小波神径网络混凝土抗渗预测***，所述基于随机森林的小波神径网络混凝土抗渗预测***包括：
最优指标集获取模块，用于建立初始指标体系，将指标体系中不同影响因素作为随机森林的变量，收集统计相关数据，将对应的数据作为原始训练集；利用随机森林算法对混凝土抗渗性的影响因素进行重要性评价和特征选择，通过剔除重要性弱的变量得到最优指标集。
预测结果获取模块，用于将最优指标集获取模块筛选后得到的最优指标集作为小波神径网络的输入变量，建立小波神径网络预测模型，对混凝土抗渗性进行回归预测，并输出最终的预测结果。
预测结果评价模块，用于选用均方根误差RMSE、拟合优度R2两个参数作为模型的预测精度的评价依据，对预测结果获取模块预测的结果进行评价。
综上所述，本发明的优点及积极效果为：本发明的混凝土抗渗性预测方法，基于现有的传统实验方法和单一智能预测模型的改进，引入随机森林算法对混凝土抗渗性影响因素进行重要性评价和变量特征筛选，再基于降维后的指标集建立小波神径网络预测模型，能够有效解决混凝土抗渗性预测中出现的影响因素多、噪声干扰复杂等问题，得到更加准确和稳定的预测结果，为实现混凝土抗渗性预测提供了一种有效的方法。
本发明提供的基于随机森林的小波神径网络混凝土抗渗预测的方法，将随机森林算法和小波神径网络结合起来，针对混凝土抗渗性影响因素多、噪声干扰复杂的特点，利用随机森林对影响因素进行重要性评价和特征选择，得到最优指标集，再用于建立混凝土抗渗性的小波神径网络预测模型，有效降低了训练模型的维度，改进了单一智能模型收敛速度慢、易陷入局部最优等缺陷，加快了训练速度，提高了预测精度。
附图说明
图1是本发明实施例提供的基于随机森林的小波神径网络混凝土抗渗预测的方法流程图。
图2是本发明实施例提供的基于随机森林的小波神径网络混凝土抗渗预测的方法原理图。
图3是本发明实施例提供的影响因素重要性排序示意图。
图4是本发明实施例提供的不同变量组合时RMSE变化趋势图。
图5是本发明实施例提供的混凝土抗渗性测试集预测结果图。
图6是本发明实施例提供的基于随机森林的小波神径网络混凝土抗渗预测***示意图。
图中：1、最优指标集获取模块；2、预测结果获取模块；3、预测结果评价模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于随机森林的小波神径网络混凝土抗渗预测的方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于随机森林的小波神径网络混凝土抗渗预测的方法包括以下步骤：
S101，建立初始指标体系，将指标体系中不同影响因素作为随机森林的变量，收集统计相关数据，将对应的数据作为原始训练集。
S102，利用随机森林算法对混凝土抗渗性的影响因素进行重要性评价和特征选择，通过剔除重要性弱的变量得到最优指标集。
S103，将筛选后得到的最优指标集作为小波神径网络的输入变量，建立小波神径网络预测模型，对混凝土抗渗性进行回归预测，并输出最终的预测结果。
S104，预测结果评价：选用均方根误差(RMSE)、拟合优度(R2)两个参数作为模型的预测精度的评价依据，对预测结果进行评价。
下面结合实施例对本发明作进一步描述。
以松原至通榆段高速公路项目(简称松通项目)七个标段的数据样本为例进行详细说明。
如图2所示，本发明实施例提供的基于随机森林的小波神径网络混凝土抗渗性预测的方法，主要包括以下步骤：
(1)建立初始指标体系和原始训练集
基于大量文献以及工程实际经验的总结，从混凝土材料配比层面选择混凝土抗渗性的影响因素分别如下：水泥强度、水泥用量、粉煤灰用量、外加剂用量、细集料用量、粗集料用量、混凝土强度、砂率、硅灰用量、水胶比、水用量、氯离子含量、碱含量、含泥量、针、片状颗粒总含量、平均粒径等，选择抗氯离子扩散系数作为混凝土抗渗性的评价指标，从而构建一套初始指标体系。将指标体系中不同影响因素作为随机森林的输入变量，抗氯离子扩散系数作为输出变量，收集统计每个指标对应的14组数据作为原始训练集，如表1所示。
表1收集统计的样本数据
(2)基于随机森林的特征选择
利用R软件中Random Forest程序包来实现随机森林算法，从而对训练集中各影响因素的重要性进行计算，将不同影响因素的重要性降序排列，得到训练模型中各变量的重要性评价如图3所示。节点纯度的变化幅度越大(InNodePurity)，说明该变量对评价指标的影响越大，该变量重要性越大。则由图3可知，水胶比、平均粒径、砂率、水泥用量、氯离子含量等变量重要性度量值比较大。
利用递归式特征消除(RFE)对训练数据集进行特征选择，比较不同变量组合时的均方误差变化，根据均方误差最小原则找到最优特征数量。如图4所示，当影响因素组合中的变量数达到6个时，均方根误差值达到最小，确定最有特征数量为6。基于影响因素的重要性排序，从当前指标集中逐次去除一个最不重要的指标，直到达到最优指标数量，此时得到的指标集即为筛选后的最优指标集。筛选得到的最优指标集如表2所示。
表2混凝土抗渗性模型输入指标
(3)小波神经网络预测模型建立
从筛选得到的最优指标集中随机选取11组数据作为小波神径网络的训练样本，剩余3组数据作为测试样本，基于水胶比、氯离子含量、水用量、平均粒径、水泥用量、砂率共6个特征，利用MATLAB软件建立了小波神经网络模型预测混凝土抗氯离子扩散系数，先通过训练样本进行了网络训练，再利用训练好的小波神经网络模型对测试集进行预测，输出的预测值经过反归一化处理得到最终预测值，最终预测结果如图5所示，可以看出小波神径网络模型在测试集上的预测值曲线非常贴近真实值。
(4)预测结果评价
为了检验基于随机森林的小波神径网络模型(RF-WNN)的优越性，选择未进行特征选择的小波神径网络和BP神经网络模型对混凝土抗渗性进行预测，预测结果与RF-WNN模型结果进行对比分析，选用均方根误差RMSE和确定性系数R2来衡量模型的预测效果。不同预测模型得到误差结果对比如表3所示。从预测结果可以看出RF-WNN预测结果的均方根误差明显小于另外二者，并且其确定性系数最接近于1，说明RF-WNN模型预测结果更为贴近实际值，预测精度更高，预测效果更好。
表3不同预测模型误差比较
本发明以松通项目土建工程为例，利用所提出的方法对混凝土抗渗性进行预测，预测结果表明本发明所得混凝土抗渗性预测结果在均方根误差和拟合优度方面均优于传统的单一智能预测模型，预测结果更加准确和稳定。因此，预测结果很好的验证了所提方法的合理性和有效性。
下面结合基于随机森林的小波神径网络混凝土抗渗预测***对本发明作进一步描述。
如图6所示，基于随机森林的小波神径网络混凝土抗渗预测***包括：
最优指标集获取模块1，用于建立初始指标体系，将指标体系中不同影响因素作为随机森林的变量，收集统计相关数据，将对应的数据作为原始训练集；利用随机森林算法对混凝土抗渗性的影响因素进行重要性评价和特征选择，通过剔除重要性弱的变量得到最优指标集。
预测结果获取模块2，用于将最优指标集获取模块筛选后得到的最优指标集作为小波神径网络的输入变量，建立小波神径网络预测模型，对混凝土抗渗性进行回归预测，并输出最终的预测结果。
预测结果评价模块3，用于选用均方根误差RMSE、拟合优度R2两个参数作为模型的预测精度的评价依据，对预测结果获取模块预测的结果进行评价。
基于随机森林的小波神径网络混凝土抗渗预测***执行后的结果为：混凝土抗渗性预测结果的均方根误差RMSE为0.0486，参数值非常接近于0，说明模型预测结果与实际值非常贴近；混凝土抗渗性预测结果的拟合优度R2为0.9787，参数值与1非常接近，说明模型预测结果与实际值的之间的相关度很高，即模型的拟合程度很好。综上所述，基于随机森林的小波神径网络混凝土抗渗预测***能够获得精准且拟合度较好地预测结果。
而采用传统的小波神径网络和BP神经网络进行混凝土抗渗性预测，预测结果的均方根误差RMSE分别为0.1015和0.0975，拟合优度R2分别为0.7558和0.8941。由此可知，本发明提出的混凝土抗渗性预测方法在预测精度和拟合优度上相对于传统方法均有明显提高，预测精度分别提高了52.1％和50.2％，拟合优度分别提高了29.5％和9.5％，预测结果从预测精度和拟合优度上均验证了本发明提出的基于随机森林的小波神径网络混凝土抗渗预测***要优于传统的智能预测***，可以得到更准确、更稳定的预测结果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于随机森林的小波神径网络混凝土抗渗预测的方法，其特征在于，所述基于随机森林的小波神径网络混凝土抗渗预测的方法利用随机森林对混凝土抗渗性的影响因素进行重要性评价和特征选择，并将降维后的影响因素集用于小波神径网络建模对混凝土抗渗性进行预测。
2.如权利要求1所述的基于随机森林的小波神径网络混凝土抗渗预测的方法，其特征在于，所述基于随机森林的小波神径网络混凝土抗渗预测的方法进一步包括以下步骤：
步骤一，建立初始指标体系，将指标体系中不同影响因素作为随机森林的变量，收集统计相关数据，将对应的数据作为原始训练集；
步骤二，利用随机森林算法对混凝土抗渗性的影响因素进行重要性评价和特征选择，通过剔除重要性弱的变量得到最优指标集；
步骤三，将筛选后得到的最优指标集作为小波神径网络的输入变量，建立小波神径网络预测模型，对混凝土抗渗性进行回归预测，并输出最终的预测结果；
步骤四，预测结果评价：选用均方根误差RMSE、拟合优度R2两个参数作为模型的预测精度的评价依据，对预测结果进行评价。
3.如权利要求2所述的基于随机森林的小波神径网络混凝土抗渗预测的方法，其特征在于，步骤一中，所述初始指标体系的建立方法如下：
基于大量文献以及工程实际经验的总结，从混凝土材料配比层面选择混凝土抗渗性的影响因素，并选择抗氯离子扩散系数作为混凝土抗渗性的评价指标，构建初始指标体系。
4.如权利要求3所述的基于随机森林的小波神径网络混凝土抗渗预测的方法，其特征在于，所述混凝土抗渗性的影响因素包括：水泥强度、水泥用量、粉煤灰用量、外加剂用量、细集料用量、粗集料用量、混凝土强度、砂率、硅灰用量、水胶比、水用量、氯离子含量、碱含量、含泥量、针、片状颗粒总含量、平均粒径。
5.如权利要求2所述的基于随机森林的小波神径网络混凝土抗渗预测的方法，其特征在于，步骤二中，所述利用随机森林算法对混凝土抗渗性的影响因素进行重要性评价和特征选择，通过剔除重要性弱的变量得到最优指标集的方法如下：
(I)对随机森林袋外数据OOB的所有样本的特征加入噪声干扰，根据OBB误差率计算每个变量的重要性并降序排列，得出不同影响因素的重要性强弱程度；某个变量特征的重要性计算表达式如下式所示：
其中，r1为随机森林袋外数据的袋外误差，r2为对袋外数据中的某个特征加入噪声干扰后再次计算的袋外误差，N为随机森林中决策树的棵数；
(II)利用递归式特征消除RFE对训练数据集进行特征选择，比较不同变量组合时的均方误差变化，根据均方误差最小原则找到最优特征数量；
(III)从当前指标集中逐次去除一个最不重要的指标，直到达到最优指标数量，此时的指标集即为筛选后的最优指标集。
6.如权利要求2所述的基于随机森林的小波神径网络混凝土抗渗预测的方法，其特征在于，步骤三中，所述将筛选后得到的最优指标集作为小波神径网络的输入变量，建立小波神径网络预测模型，对混凝土抗渗性进行回归预测的方法如下：
(1)确定网络结构：
网络结构的确定是小波神经网络模型构建的基础，在进行模型学习训练之前，需要先确定网络结构输入层、输出层和隐含层的相关参数；小波神径网络的输入层和输出层一般根据实际工程情况确定，输入层节点个数依据样本的数量确定，输出层节点数一般为1；隐含层层数一般确定为一层，隐含层的节点数根据以下经验公式确定：
其中，j为输入层节点数，i为输出层节点数，k为隐含层层数；
(2)选择训练方法和激励函数：
在小波神经网络模型中，采用快速梯度下降法对样本进行训练，小波神径网络通过激励函数进行结构层各节点的权值传递，选择Morlet小波函数作为隐含层的激励函数，表达式如下式所示：
(3)小波神径网络训练和预测：
对最优指标集进行分集，分为训练集和预测集，训练集用于训练网络，测试集用于测试网络预测的精度；初始化小波神经网络的权值和相关参数，设置学习效率，将训练数据输入网络，利用训练好的网络计算出预测值和预测值与期望输出值的误差，判断误差是否符合要求，如果符合要求，则输出预测值和误差，否则依据误差修正网络权值和小波函数参数，不断进行网络训练，直至误差符合要求；对输出的预测值进行反归一化处理得到最终预测值。
7.如权利要求2所述的基于随机森林的小波神径网络混凝土抗渗预测的方法，其特征在于，步骤四中，所述均方误差和拟合优度表达式如下式所示：
其中，yobs是实际观测值，ypred是预测值；
R2是统计模型解释的数据集中的可变性的比例，衡量回归直线对观测值的拟合度，R2的范围在0到1；RMSE值是估计量预测的值与实际观测值之间的个体差异的总和，RMSE的值等于或大于0。
8.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～7任意一项基于随机森林的小波神径网络混凝土抗渗预测的方法。
9.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项基于随机森林的小波神径网络混凝土抗渗预测的方法。
10.一种实施权利要求1～7任意一项基于随机森林的小波神径网络混凝土抗渗预测的方法的基于随机森林的小波神径网络混凝土抗渗预测***，其特征在于，所述基于随机森林的小波神径网络混凝土抗渗预测***包括：
最优指标集获取模块，用于建立初始指标体系，将指标体系中不同影响因素作为随机森林的变量，收集统计相关数据，将对应的数据作为原始训练集；利用随机森林算法对混凝土抗渗性的影响因素进行重要性评价和特征选择，通过剔除重要性弱的变量得到最优指标集；
预测结果获取模块，用于将最优指标集获取模块筛选后得到的最优指标集作为小波神径网络的输入变量，建立小波神径网络预测模型，对混凝土抗渗性进行回归预测，并输出最终的预测结果；
预测结果评价模块，用于选用均方根误差RMSE、拟合优度R2两个参数作为模型的预测精度的评价依据，对预测结果获取模块预测的结果进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010290713.1A CN111507518A (zh) | 2020-04-14 | 2020-04-14 | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010290713.1A CN111507518A (zh) | 2020-04-14 | 2020-04-14 | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111507518A true CN111507518A (zh) | 2020-08-07 |
Family
ID=71864024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010290713.1A Pending CN111507518A (zh) | 2020-04-14 | 2020-04-14 | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507518A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489736A (zh) * | 2020-12-09 | 2021-03-12 | 中国石油大学(北京) | 一种矿物含量分析方法、装置、设备及存储介质 |
| CN112614590A (zh) * | 2020-12-10 | 2021-04-06 | 浙江大学 | 一种基于机器学习的老年人失能风险预测方法和*** |
| CN112906807A (zh) * | 2021-03-04 | 2021-06-04 | 中南大学 | 二维消息传递多处理器体系中的网络响应时间预测方法 |
| CN113051821A (zh) * | 2021-03-24 | 2021-06-29 | 临沂大学 | 一种混凝土抗压强度预测方法及*** |
| CN113076708A (zh) * | 2021-03-31 | 2021-07-06 | 桂林电子科技大学 | 基于优化矩阵随机森林算法的模拟电路故障诊断方法 |
| CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
| CN114331221A (zh) * | 2022-03-02 | 2022-04-12 | 中核华纬工程设计研究有限公司 | 一种基于机器学习的混凝土工程量指标估算方法 |
| CN116756466A (zh) * | 2023-06-20 | 2023-09-15 | 贵州省公路工程集团有限公司 | 钢桁-混凝土组合拱桥用超流态混凝土评估方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754122A (zh) * | 2019-01-13 | 2019-05-14 | 胡燕祝 | 一种基于随机森林特征提取的bp神经网络的数值预测方法 |
| CN110502806A (zh) * | 2019-07-31 | 2019-11-26 | 电子科技大学 | 一种基于lstm网络的无线频谱占用度预测方法 |
| US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
-
2020
- 2020-04-14 CN CN202010290713.1A patent/CN111507518A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
| CN109754122A (zh) * | 2019-01-13 | 2019-05-14 | 胡燕祝 | 一种基于随机森林特征提取的bp神经网络的数值预测方法 |
| CN110502806A (zh) * | 2019-07-31 | 2019-11-26 | 电子科技大学 | 一种基于lstm网络的无线频谱占用度预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘笑笑: ""基于 RF-RFE 算法的森林生物量遥感特征选择方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》 * |
| 林开春等: "基于随机森林和神经网络的空气质量预测研究", 《青岛大学学报(工程技术版)》 * |
| 秦继辉等: "基于逐步回归和小波神经网络的土石坝渗压预测模型研究", 《安全与环境学报》 * |
| 蒋敏等: "基于在线序列极限支持向量回归的短期负荷预测模型", 《电网技术》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489736A (zh) * | 2020-12-09 | 2021-03-12 | 中国石油大学(北京) | 一种矿物含量分析方法、装置、设备及存储介质 |
| CN112614590A (zh) * | 2020-12-10 | 2021-04-06 | 浙江大学 | 一种基于机器学习的老年人失能风险预测方法和*** |
| CN112906807A (zh) * | 2021-03-04 | 2021-06-04 | 中南大学 | 二维消息传递多处理器体系中的网络响应时间预测方法 |
| CN113051821A (zh) * | 2021-03-24 | 2021-06-29 | 临沂大学 | 一种混凝土抗压强度预测方法及*** |
| CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
| CN113051821B (zh) * | 2021-03-24 | 2023-03-10 | 临沂大学 | 一种混凝土抗压强度预测方法及*** |
| CN113076708A (zh) * | 2021-03-31 | 2021-07-06 | 桂林电子科技大学 | 基于优化矩阵随机森林算法的模拟电路故障诊断方法 |
| CN114331221A (zh) * | 2022-03-02 | 2022-04-12 | 中核华纬工程设计研究有限公司 | 一种基于机器学习的混凝土工程量指标估算方法 |
| CN116756466A (zh) * | 2023-06-20 | 2023-09-15 | 贵州省公路工程集团有限公司 | 钢桁-混凝土组合拱桥用超流态混凝土评估方法及*** |
| CN116756466B (zh) * | 2023-06-20 | 2024-02-09 | 贵州省公路工程集团有限公司 | 钢桁-混凝土组合拱桥用超流态混凝土评估方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507518A (zh) | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 | |
| CN111985796B (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
| AU2020101854A4 (en) | A method for predicting concrete durability based on data mining and artificial intelligence algorithm | |
| CN112069567B (zh) | 基于随机森林和智能算法预测混凝土抗压强度的方法 | |
| CN111488713A (zh) | 一种混凝土早期碳化预测的方法、预测***及存储介质 | |
| CN112070356B (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
| CN107423217B (zh) | 基于变异树的黑盒模糊测试方法及*** | |
| CN112016244B (zh) | 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 | |
| CN114970396B (zh) | 一种考虑随机和认知不确定性的cfd模型修正方法 | |
| CN112329262A (zh) | 一种居住建筑燃气碳排放量预测方法 | |
| CN112926893A (zh) | 基于模糊综合评判和层次分析的水平井调剖效果评价方法 | |
| CN111027117B (zh) | 胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法 | |
| CN112687351A (zh) | 一种基于遗传算法-bp神经网络快速预测复合介质微波电磁性能的方法 | |
| CN110751176A (zh) | 一种基于决策树算法的湖泊水质预测方法 | |
| CN112307536A (zh) | 一种大坝渗流参数反演方法 | |
| CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
| CN109491709B (zh) | 一种基于ahp与神经网络的软件代码可控度综合评价方法 | |
| CN114819178A (zh) | 一种铁路施工进度指标预测和在线更新方法 | |
| Nesamatha et al. | Numerical modeling for prediction of compression index from soil index properties | |
| Taffese et al. | Multitarget regression models for predicting compressive strength and chloride resistance of concrete | |
| CN111861264A (zh) | 一种基于数据挖掘和智能算法预测混凝土耐久性方法 | |
| CN113537461B (zh) | 基于sir值学习的网络关键节点发现方法及*** | |
| CN115034383A (zh) | 网络的训练方法和温度预测方法、装置、设备及存储介质 | |
| CN116911148A (zh) | 一种沉积盆地建筑群震害评估方法及评估*** | |
| CN113240161B (zh) | 净现值预测模型建立方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |
|
| RJ01 | Rejection of invention patent application after publication |