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) |