SA  >> Vol. 6 No. 1 (March 2017)

    机器学习在混凝土抗压强度预测中的应用
    Application of Machine Learning in the Prediction of Compressive Strength of Concrete

  • 全文下载: PDF(432KB) HTML   XML   PP.1-6   DOI: 10.12677/SA.2017.61001  
  • 下载量: 1,472  浏览量: 5,250  

作者:  

饶炜东:云南财经大学,云南 昆明

关键词:
机器学习预测抗压强度Machine Learning Prediction Compressive Strength

摘要:

本文对混凝土的抗压强度的数据采用决策树、Boosting、随机森林、人工神经网络、支持向量机这五种方法进行建模,采用十折交叉验证评价预测精度。发现随机森林法具有较好的预测效果。

In this paper, the data of compressive strength of concrete are modeled by decision tree, boosting, random forest, artificial neural network and support vector machine methods. Ten-fold cross-va- lidation is adopted to assess the performance of these methods in terms of the prediction accuracy. It is seen that the Random Forest method has the best performance in general.

文章引用:
饶炜东. 机器学习在混凝土抗压强度预测中的应用[J]. 统计学与应用, 2017, 6(1): 1-6. https://doi.org/10.12677/SA.2017.61001

参考文献

[1] 胡立志, 刘士清, 宋正林, 周建文. 粉煤灰混凝土抗压强度和成熟度之间的规律研究[J]. 混凝土, 2014(8): 61-63.
[2] 张林春, 张爱莲, 邓宏卫. 矿物掺合料对粉煤灰陶粒混凝土抗压强度的影响[J]. 混凝土, 2010(6): 83-85.
[3] 夏冰华, 刘远才, 徐国林. 废玻璃混凝土抗压性能的试验研究[J]. 混凝土, 2013(7): 26-29.
[4] 肖建庄, 范玉辉, 林壮斌. 再生细骨料混凝土抗压强度试验[J]. 建筑科学与工程学报, 2011, 28(4): 26-29.
[5] 胡明玉, 唐明述. 神经网络在高强粉煤灰混凝土强度预测及优化设计中的应用[J]. 混凝土, 2001(1): 13-17.
[6] 马金鱼. GA-LSSVM模型在粉煤灰混凝土强度预测中的应用[J]. 宁夏工程技术, 2009, 8(4): 325-327.
[7] 张研, 苏国韶, 燕柳斌. 高强混凝土强度预测的高斯过程机器学习模型[J]. 混凝土, 2011(11): 18-20.
[8] 李仲欣, 韦灼彬, 沈锦林. 相关向量机在珊瑚混凝土抗压强度预测中的应用[J]. 混凝土, 2016(7): 1-6.
[9] Simon, P. (2013) Too Big to Ignore: The Business Case for Big Data. Wiley.
[10] Kohavi, R. and Provost, F. (1998) Glossary of Terms. Machine Learning, 30, 271-274.
[11] Quinlan, J.R. (1986) Induction of Decision Trees. Machine Learning, 1, 81-106.
https://doi.org/10.1007/BF00116251
[12] 唐华松, 姚耀文. 数据挖掘中决策树算法的探讨[J]. 计算机应用研究, 2001, 18(8): 18-19.
[13] Kearns, M.J. and Valiant, L.G. (1996) Cryptographic Limitations on Learning Boolean Formulae and Finite Automata. Journal of the ACM, 41, 67-95.
[14] Breiman, L. (2001) Random Forests. Machine Learning, 45, 5-32.
https://doi.org/10.1023/A:1010933404324
[15] 宋捷, 吴喜之. 一种新的Boosting回归树方法[J]. 统计与信息论坛, 2010, 25(5): 9-13.
[16] 王鸿斌, 张立毅, 胡志军. 人工神经网络理论及其应用[J]. 山西电子技术, 2006(2): 41-43.
[17] 王定成, 方廷健, 高理富, 等. 支持向量机回归在线建模及应用[J]. 控制与决策, 2003, 18(1): 89-91.
[18] Xu, L., Krzyzak, A. and Suen, C.Y. (1992) Methods of Combining Multiple Classifiers and Their Applications to Handwriting Recognition. IEEE Transactions on Cybernetics, 22, 418-435.
https://doi.org/10.1109/21.155943
[19] 李昌华, 杨兵, 谢维信. 手绘图形结构的识别方法研究[J]. 西安电子科技大学学报: 社会科学版, 2000, 27(7): 98- 102.