基于改进的WM算法和SVM在混凝土组分反预测中的应用

摘要

混凝土强度、流和坍落度是建筑工程和土木工程中混凝土质量控制的研究重点。由于不同地区温度、湿度等外界因素干扰，以及混凝土中各组分间复杂的物理、化学反应，使得混凝土组分反预测更加复杂。因此，解决混凝土组分反预测有着重要意义。
　　模糊规则可以通过模拟人的思考方式，将专家知识转化成模糊规则的形式，可以得到不错的效果，然而模糊规则提取的好坏决定了模糊系统的预测能力。目前常用的模糊规则提取算法是Wang-Mendel算法（WM算法），该算法是由Wang和Mendel提出的，可以较好解决实际工程应用中存在的非线性、高维和时变性问题。但是WM算法在性能上，如预测精度、运行效率、鲁棒性和完备性还有改进空间。另外，支持向量机（Support Vector Machine,SVM）对于非线性、小样本等问题有着不错的效果，但是还有改进的空间。因此，为了解决混凝土组分反预测问题，本文展开了以下研究：
　　（1）基于聚类算法改进WM算法的预测精度、运行效率、鲁棒性和完备性。本文引入快速搜索和密度峰发现聚类算法（Clustering by Fast Search and Find of Density Peaks,FSFDP）对数据进行预处理，去除噪声数据，从而改进算法的鲁棒性和预测精度。通过使用样本之间的关系信息，可以对模糊规则库中缺失的规则进行预测，从而保证算法的完备性。另外，在数据规模较大、数据属性和模糊区间个数较多的时候，使用FSFDP算法中的聚类中心点提取模糊规则，可以大大减少模糊规则数量，从而提高算法的效率。并使用实验来验证算法的性能。
　　（2）基于粒子群优化算法（Particle Swarm Optimization,PSO）的最大相对误差最小SVM算法。使用相对误差最小改进SVM的最大间隔约束条件，使得改进的算法更符合实际工程中的应用；使用PSO最小化最大相对误差对改进的SVM进行参数优化，得到性能更佳的模型。并使用混凝土坍落度试验数据集验证算法的可行性。
　　（3）基于相对误差支持向量机改进的WM算法。由于WM算法的模糊规则后件使用的是集合形式，为了增强模糊规则的拟合能力，本文使用改进的支持向量机作为模糊规则的后件，从而提高算法的性能。最后，使用混凝土强度数据集对算法进行验证。

目录

声明

第1章 绪论

1.1 概述

1.2 研究背景和现状

1.3 模糊系统相关理论基础

1.4 支持向量机简介

1.5 本文的研究内容及论文结构

第2章 基于FSFDP算法改进的WM算法

2.1 WM算法的完备性、鲁棒性及效率分析

2.2基于FSFDP和样本相关度改进的WM算法

2.3一种使用聚类算法约简加权的WM算法（RW-WM算法）

2.4 实验分析

2.5 本章小结

第3章 基于PSO的最大相对误差最小SVM算法

3.1 粒子群优化算法简介

3.2 基于最大相对误差最小支持向量机

3.3 PSO-RE-MIMO-SVM在多混凝土组分反预测中的应用

3.4 实验验证

3.5 本章小结

第4章 基于相对误差支持向量机改进的WM算法

4.1 基于相对误差最小支持向量机的WM算法（ISVM-WM）

4.2 实验验证

4.3 本章小结

第5章 总结与展望

5.1 总结

5.2 本文工作的创新点

5.3 未来工作

参考文献

致谢

个人简历与在学期间发表的学术论文