|
实际观测结果与回归模型产生的预测结果绘制如图3所示。该图解释了两个数据集之间的高相关性，并反映了所开发的模型的高精度性能。图3（a）中，在围绕30 MPa的抗压强度附近的几个点与实际观测结果略有不同，这可能由于原料的性质（特别是砂的粒度）和所测试样品的具体条件的不同所导致的。 图3：回归模型的性能 预测结果的差异值反映了开发模型的优良性能。再次，该图展示出了在预测抗压强度方面，每个读数的准确的误差量。根据图3（b）可以看出，在30 MPa附近的区间上，模型预测结果与实际观察比较收敛，同时，点位分布较多的在（-4和+4）之间的误差范围内。就输入和输出的总相关系数表明，在第28天和第7天，与泡沫混凝土抗压性相关的因素中，密度和水泥含量分别为正方向，w / c比、砂/水泥比和泡沫含量在负方向。 4.3第二：支持向量机 为了实现这种技术，第28天的抗压强度被定义为因变量（Var10），其他输入（V1~V9）作为自变量。将150个整体观察的样本大小随机分为（111个样本）和（39个样本）进行测试，并且采用1型支持向量机进行分析处理。测试了四种核函数类型：径向基函数、线性、多项式和Sigmoid函数。该过程结果列于表3中。 表3：支持向量机的四种类型函数结果 函数类型 相关系数 均方误差 标准偏差 径向基函数 0.986（训练），0.990（测试），0.987（总计） 3.880（训练），3.268（测试），3.721（总计） 0.170（训练），0.147 （测试），0.165（总计） 线性 0.951（训练），0.945（测试），0.949（总体） 18.444（训练），25.263（测试），20.217（总体） 0.369（训练），atv，0.413 （测试），0.381（总计） 多项式 0.976（训练），0.986（测试），0.978（总体） 6.714（训练），5.357（测试），6.361（总体） 0.225（训练），0.178 （测试），0.215（总计） Sigmoid函数 0.851（训练），0.877（测试），0.859（总体） 67.969（训练），66.761（测试），67.655（总体） 0.716（训练），0.673 （测试），0.703（总计） (责任编辑：本港台直播) |