基于AdaBoost算法的混凝土抗压强度预测

论文采集1 030组混凝土抗压强度试验数据,通过训练AdaBoost算法,得到可用于预测混凝土抗压强度值的模型。结果表明：AdaBoost算法模型可以在给定输入变量的情况下准确有效地预测混凝土抗压强度;10折交叉验证决定系数R2的平均值达到0.952,平均绝对百分比误差（MAPE）达到11.39%,说明十折交叉验证具有较高准确率;AdaBoost算法与人工神经网络和支持向量机独立学习算法比较,表现出集成学习算法的优越性;讨论了AdaBoost算法模型中训练数据集数量、弱学习器类型和输入变量的数量相关因素,发现使用1 030数据集的80%可以获得良好的预测结果。     

基于耦合BAS-MLP的混凝土抗压强度预测

针对1 030组混凝土抗压强度试验数据，通过天牛须搜寻算法（BAS）来训练多层神经网络（MLP），并与混合复杂进化方法（SCE）-MLP、多元宇宙优化算法（MVO）-MLP这2种耦合模型算法进行对比分析，得到可用于预测混凝土抗压强度的算法模型.结果表明：BAS可以显著提高MLP的训练精度和预测精度，该算法比SCE-MLP、MVO-MLP耦合模型算法更快、更准确；与人工神经网络（ANN）和支持向量机（SVM）个体学习算法相比，元启发式算法在混凝土抗压强度预测方便表现出良好的优越性.同时讨论了BAS-MLP模型中与训练数据集数量和输入变量数量相关的因素，发现使用1 030组数据的80%即可获得良好的预测结果.