支持向量机的回归拟合——混凝土抗压强度预测.docVIP

支持向量机的回归拟合——混凝土抗压强度预测 1、案例背景 与传统的神经网络相比，SVM具有以下几个优点：（1）SVM是专门针对小样本问题而提出的，其可以在有限样本的情况下获得最优解；（2）SVM算法最终将转化为一个二次规划问题，从理论上讲可以得到全局最优解，从而解决了传统神经网无法避免局部最优的问题；（3）SVM的拓扑结构由支持向量决定，避免了传统神经网络需要反复试凑确定网络结构的问题；（4）SVM利用非线性变换将原始变量映射到高维特征空间，在高维特征空间中构造线性分类函数，这既保证了模型具有良好的泛化能力，又解决了“维数灾难”问题。同时，SVM不仅可以解决分类、模式识别等问题，还可以解决回归、拟合等问题。因此，其在各个领域中都得到了非常广泛的利用。本章将详细介绍SVM回归拟合的基本思想和原理，并以实例的形式阐述其在混凝土抗压强度预测中的应用。随着技术的不断发展，混凝土抗压强度检测手段也愈来愈多，基本上可以分为局部破损法和非破损法两类，其中局部破损法主要是钻芯法，非破损法主要包括回弹法和超声法。工程上常采用钻芯法修正回弹法并结合《回弹法检测混凝土抗压强度技术规程》、《建筑结构检测技术标准》等规定的方法来推定混凝土的抗压强度。按照传统的方法，通常需要先对混凝土试件进行28天标准养护，然后通过测试获得。若能够提前预测出混凝土的28天抗压强度，则对于提高施工的质量和进度都具有重要的参考意义和实用价值。此外，不少专家和学者将投影寻踪回归、神经网络、灰色理论等方法引入到混凝土结构工程领域中，取得了不错的效果，对混凝土抗压强度的预测有着一定的指导意义。相关研究成果表明，混凝土的28天立方米抗压强度与混凝土的组成有很大的关系，即与每立方米混凝土中水泥、炉石、飞灰、水、超增塑剂、碎石及砂用量的多少有显著的关系。现采集到103组混凝土样本的立方米抗压强度及其中上述7种成分的含量大小，要求利用支持向量机建立混凝土的28天立方米抗压强度与其组成间的回归数学模型，并对模型的性能进行评价。 2、案例目录：  29.1 理论基础??29.1.1 SVR基本思想??29.1.2 支持向量机的训练算法? ?1. 分块算法（Chunking）? ?2. Osuna算法? ?3. 序列最小优化算法（Sequential Minimal Optimization，SMO）? ?4. 增量学习算法（Incremental Learning）29.2 案例背景??29.2.1 问题描述??29.2.2 解决思路及步骤29.3 MATLAB程序实现??29.3.1 清空环境变量??29.3.2 训练集/测试集产生??29.3.3 数据归一化??29.3.4??SVM模型创建/训练??29.3.5 SVM仿真预测??29.3.6 绘图29.4 延伸阅读??29.4.1 核函数对模型性能的影响??29.4.2 性能对比??29.4.3 案例延伸29.5 参考文献  3、主程序： %% 清空环境变量 clear all clc %% 导入数据 load concrete_data.mat % 随机产生训练集和测试集 n = randperm(size(attributes,2)); % 训练集——80个样本 p_train = attributes(:,n(1:80)); t_train = strength(:,n(1:80)); % 测试集——23个样本 p_test = attributes(:,n(81:end)); t_test = strength(:,n(81:end)); %% 数据归一化 % 训练集 [pn_train,inputps] = mapminmax(p_train); pn_train = pn_train; pn_test = mapminmax(apply,p_test,inputps); pn_test = pn_test; % 测试集 [tn_train,outputps] = mapminmax(t_train); tn_train = tn_train; tn_test = mapminmax(apply,t_test,outputps); tn_test = tn_test; %% SVM模型创建/训练 % 寻找最佳c参数/g参数 [c,g] = meshgrid(-10:0.5:10,-10:0.5:10); [m,n] = size(c); cg = zeros(m,n); eps = 10^(-4); v = 5; bestc = 0; bestg = 0; error = Inf; for i = 1:m for j = 1:n