针对传统经验公式对高性能混凝土强度预测时存在偏差大、效率低等问题, 本文提出一种基于Stacking模型融合的高性能混凝土强度预测方法。首先, 通过数据清洗和归一化对1 030组高性能混凝土抗压强度试验数据进行预处理, 剔除异常数据及消除数据间量纲影响; 其次, 基于极端梯度提算法(XGBoost)、类别优先梯度提升算法、多层感知器和随机森林(RF)4种算法开展超参数优化、模型训练和评估, 采用决定系数、均方根误差和平均绝对误差对比分析4种基学习器对强度预测的整体效果, 在此基础上构建基于Stacking集成学习融合多种机器学习算法的高性能混凝土强度预测模型; 最后, 采用103组新的高性能数据集对模型进行验证, 并开展可解释分析。结果表明: 与其他基学习器的组合相比, XGBoost和RF融合模型的预测精度和性能均明显提高, 泛化性能较好, 且可解释分析显示最重要的输入特征变量是龄期和水泥, 说明模型内在的预测逻辑与工程实践的经验较吻合, 具有较高的合理性与可靠度。研究结果为进一步提高高性能混凝土强度的预测精度提供参考。
混凝土 强度预测模型 集成学习 stacking算法 XGBoost算法 RF算法 concrete strength prediction model ensemble learning stacking algorithm XGBoost algorithm RF algorithm
沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
利用光谱信息快速、 无损和准确的检测水稻冠层叶片叶绿素含量, 对水稻的长势评估、 精准施肥、 科学管理都具有非常重要的现实意义。 以东北粳稻为研究对象, 以小区试验为基础, 获取关键生长期的水稻冠层高光谱数据。 首先采用标准正态变量校正法(SNV)对光谱数据进行预处理, 针对处理后光谱数据, 以随机蛙跳(RF)算法为基础, 结合相关系数分析法(CC)和续投影算法(SPA), 提出一种融合两种初选波段的改进型随机蛙跳算法(fpb-RF)筛选叶绿素含量的特征波段, 并分别与标准RF, CC 和SPA方法进行对比。 以提取的特征波段作为输入, 结合线性模型和非线性模型各自优势, 提出一种高斯过程回归(GPR)补偿偏最小二乘(PLSR)的叶绿素含量混合预测模型(GPR-P): 利用PLSR法对水稻叶绿素含量初步预测, 得到叶绿素含量的线性趋势, 然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测, 两者叠加得到最终预测值。 为了验证所提方法优越性, 以不同方法提取的特征波段作为输入, 分别建立PLSR、 最小二乘支持向量机(LSSVM)、 BP神经网络预测模型。 结果表明: 相同预测模型条件下, 改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、 提高模型预测性能, 各模型测试集的决定系数($R^{2}_{p}$)和训练集的决定系数($R^{2}_{c}$)均高于0.704 7。 另外, 在各算法提取特征波段进行建模时, GPR-P模型的$R^{2}_{c}$和$R^{2}_{p}$均高于0.755 3, 其中, 采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高, $R^{2}_{c}$和$R^{2}_{p}$分别为 0.781 5和0.779 6, RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1, 可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。
水稻 叶绿素含量 光谱分析 特征波段提取 fpb-RF算法 混合预测模型 Rice Chlorophyll content Spectral analysis Feature band selection The fpb-RF algorithm Hybrid prediction model 光谱学与光谱分析
2021, 41(8): 2556
