[发明专利]基于AdaBoost算法的混凝土材料抗压强度预测方法

权利要求书

1.一种基于AdaBoost算法的混凝土材料抗压强度预测方法，其特征在于，包括以下步骤：

(1)搜集N组的混凝土抗压强度的试验样本，获取每一组试验的混凝土材料组分信息与最终的抗压强度信息，将N组样本中，每组数据的混凝土材料配合比信息和养护信息作为输入变量X，抗压强度作为输出变量y；

(2)将N组试验样本作为训练集导入给AdaBoost算法，并初始化训练集的权重分布；

(3)进行多轮迭代以确定不同弱学习器的误差率e_t及权重α_t；

(4)按弱学习器的权重来组合各个弱学习器，得到最终的强学习器；

(5)在训练完成的强学习器中输入待求混凝土材料的配合比信息和养护信息得到该混凝土材料的抗压强度预测值。

2.根据权利要求1所述的基于AdaBoost算法的混凝土材料抗压强度预测方法，其特征在于，所述步骤(2)中初始化训练集的权重分布为：

D₁＝{w₁,w₂,…,w_N},w_i＝1/N,i＝1,2,…,N

式中，D₁为训练集样本的权重分布，训练集中w_i为第i个样本的权重，即每个训练样本的权重均为1/N。

3.根据权利要求1所述的基于AdaBoost算法的混凝土材料抗压强度预测方法，其特征在于，所述步骤(3)具体为：

设总体迭代T轮，对于第t轮迭代，选择基本弱学习器H_t(X)，并使用权重分布为D_t的训练集对其进行训练，计算该弱学习器在样本分布D_t上的误差率：

式中，e_t为本轮弱学习器的误差率，y_i为第i组样本的输出值，H_t(X_i)＝y_i表示对第i组样本训练正确，H_t(X_i)≠y_i表示对第i组样本训练错误；

然后计算该弱学习器在最终学习器中所占的权重α_t：

更新训练样本的权重，以使得在上一轮训练中出错的样本的权重增加，在接下来的学习中可以重点对其进行学习：

式中，Z_t＝sum(D_t)为归一化因子；

循环上述步骤来训练多个弱学习器H_t(X)，得到对应的权重α_t。

4.根据权利要求3所述的基于AdaBoost算法的混凝土材料抗压强度预测方法，其特征在于，所述步骤(4)中按弱学习器的权重来组合各个弱学习器，得到最终的强学习器F(X)：

5.根据权利要求4所述的基于AdaBoost算法的混凝土材料抗压强度预测方法，其特征在于，所述步骤(5)向训练完成后的强学习器输入待求混凝土材料的配合比及养护参数X，学习器输出抗压强度预测值F(X)。