[发明专利]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

说明书

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。

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、系统误差等因素的影响，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、系统误差等因素的影响，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。