为您找到与olap数据分析相关的共3个结果:
摘要:根据国家2003—2007年火灾的相关统计数据,应用回归分析,研究了火灾引起的经济损失与火灾中伤人数目及烧毁建筑面积之间的关系,建立了二元线性回归模型,对方程的精度进行了相关性检验。
关键词:火灾;二元线性回归分析;相关性检验
火灾属于突发伤害事故,是当前社会中发生频率较高且危害较大的一种灾害,特别是在近年来发生的多起群死群伤突发伤害事故中,火灾事故占相当比例,每年都会造成人员伤亡和巨大的经济损失。鉴于此,本文对造成火灾经济损失的直接相关因素进行了研究,并对相关的统计数据进行了回归分析。
现实生活中,对于具有相关关系的变量,我们往往不能像函数关系那样找到它们之间的精确表达式,但是通过大量的试验(观测)数据,可以发现它们间存在一定的统计规律性,数理统计中研究某一随机变量(因变量)与其他一个或几个普通变量(自变量)之间变动关系的一种有效方法就是回归分析。由回归分析求出的关系式,称为回归方程。回归方程为线性的称为线性回归,否则成为非线性回归。线性回归是回归分析的基本模型,很多复杂的情况都能转化为线性回归进行处理,例如,文献[1]讨探讨了统计学对认识和解决火灾问题的重要性,文献[2~3]利用线性回归模型研究了相关火灾问题。
本文主要针对国家2003—2007年火灾的相关统计数据,对火灾引起的损失费用与火灾中伤人数目及烧毁建筑面积之间的关系进行分析,建立了二元线性回归模型。
1.收集数据。表1是中国2003—2007年火灾中伤人数目、烧毁建筑面积与直接经济损失的统计数据。
2.设定回归方程。通过定性分析可知火灾中的伤人数越多,烧毁的建筑越多那么造成的经济损失就越大,并且如果火灾中没有人烧伤,房屋没有被烧毁,可认为没有经济损失。因此,可设二元线性回归分析的回归方程为
=b1x1+b2x2(1)
式中:——因变量(直接损失费用);x1——自变量(伤人数);x2——自变量(烧毁建筑面积);b1,b2——回归系数。
3.确定回归系数。将已知数据代入设定的回归方程,并用最小二乘法(见[4])计算出回归系数,确定回归方程。具体步骤如下:从表1已知,2003—2007年共有五组数据:
(x11,x12,y1),(x21,x22,y2),…,(x51,x52,y5)
设剩余平方和为
Q=(yi-i)2=(yi-bixi1-b2xi2)2
式中:yi——上页表1中第组数据的因变量;xik——第i组数据的第k个自变量(k=1,2)。
通过微积分的知识计算Q的最小值,即令Q关于每个回归系数的偏导数等于零,然后联立这两个方程=0,=0可解得回归系数b1=49.0119,b2=0.0033。因此回归方程为
=49.0119x1+0.0033x2(2)
相关性检验是指对已确定的回归方程能够代表自变量与因变量之间相关关系的可靠性进行检验。只有通过相关性检验后,才能以此回归方程为依据进行分析和预测。一般用R检验和F检验等方法。下面我们用R检验法。令
Syy=(yi-i)2=(i-y)2 =Q+U
式中:y——上页表1中5个因变量yi的平均值;i——xi1与xi2的值代入(2)式所得的值。
r=是R检验中的相关系数,它越接近于1,就说明回归方程中自变量与因变量的线性相关的近似程度越高,该方程的误差越小。通过计算可得r=0.9988,故方程(2)通过了相关检验,可用它定量的描述火灾中伤人数、烧毁建筑面积及直接经济损失的关系。
另外,从回归方程中还可以看出,火灾伤人数前面的偏回归系数较大,这主要是因为统计数据中烧毁建筑面积的数字较高,且没有考虑其他方面,例如火灾中的物资损失等,带来的经济损失。为使以上三个变量量纲一致,我们可采取以下方式,令
zi=yi/y,ti1=xi1/xi1,ti2=xi2/xi2,(3)
式中:y——上页表1中5个因变量yi的平均值,tik——上页表1中5个自变量xik的平均值(k=1,2).
对由(3)式得到的数据,利用上面的方法便得到的回归方程为:
=0.8264x1+0.177x2
相关系数r=0.9990,也通过了相关性检验。
上述回归方程显示火灾引起的经济损失与火灾中伤人数及烧毁的建筑面积均呈正相关关系,这与我们的定性分析一致。有了该定量的关系后,在没有统计出火灾造成的经济损失前,我们可以根据当年的火灾的伤人数及烧毁建筑面积对该年的经济损失作出大致的预测,或者若想把未来一年由火灾引起的经济损失限制到一定数额,那么我们就可以根据该回归方程,给出火灾伤人数及烧毁建筑面积的上限。
为了减少火灾引起的损失和伤亡,我们必须注重消除火灾隐患,建议针对火灾危险因素采取综合防范措施,加强城市公共消防设施和消防组织建设,加大消防安全宣传力度,提高人们的消防安全意识和火灾自救知识技能。
[1]刘东海,嵇涛,等.火灾统计问题的探讨[J].消防技术与产品信息,2005,(5):35-37.
[2]周崇敏.谈火灾统计与消防监督[J].武警学院学报,2002,(2):28-29.
[3]曹文娟.统计模型在火灾统计中的应用[J].武警学院学报,2006,(2):23-25.
[4]盛骤,谢式千,等.概率论与数理统计(浙大四版)[M].北京:高等教育出版社,2008.
浏览量:3
下载量:0
时间:
数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。以下是读文网小编今天为大家精心准备的:OLAP融合于数据挖掘之模型构建相关论文。内容仅供阅读与参考!
OLAP融合于数据挖掘之模型构建全文如下:
本文提出的OLAM模型对OLAP中数据立方体和星型模式的概念分别进行了拓展,涵盖问题的整个搜索空间,能够比较全面地反映多维数据挖掘的实质.下面描述相应的理论方法、基本权标和数据结构.
1.1从数据立方体到影响域
本文在OLAM模型中引进基本权标:影响域(influencedomain).影响域与多维空间的数据立方体在逻辑上是等价的.但立方体上计算的是聚合(aggregation),而影响域上计算的是蕴涵(implication),即数据中隐藏的模式.影响域同立方体一样具有属性和值,不同点在于它具有置信度(confidence).
立方体将维映射至度量,而影响域将维和度量映射至置信而影响域将度.一个影响域可视为一个函数,其映射关系从维和度量映射至一置信度级别.影响域可视为是广义概念上的数据立方体空间,因为影响域的大小通常比数据立方体要大得多,OLAM分析常常在更细的粒度上分析更多的维,或对多个特性之间的关系进行探索.由于每次重新计算的代价太昂贵,所以需要在比星型模式存储有更多的聚合的模式上进行,即采用下一节所提出的旋转模式.为了“遍历”整个影响域,需要将OLAP运算与影响性分析交叉.可以看出,影响域的操作可在多维和多层次的抽象空间中进行,有利于灵活地挖掘知识.而文献〔3,4,5〕的操作是基于数据立方体的多维数据挖掘,包含在基于影响域的操作之内,是其中的特例.影响域概念可用面向对象的思想描述,这样有助于生成一个较好的结构化的框架.影响域包含六个主要特性:(1)基本维(类);(2)属性;(3)对象或实例;(4)层次;(5)度量;(6)蕴涵.其中,基本维是一种高层次的类型划分,如产品、客户等.每个类/维具有一属性集合,如产品维具有属性价格、颜色等.每个类/维有对象或要素作为实例,对象的每个属性具有一个值.在类和属性内存在层次,例如,对类来讲,商标类是产品的父类;对属性来讲,属性集合地区,城市,省}是一个层次.度量是在维形成的空间上的计算.蕴涵是在维和度量形成的立方体空间上的计算.
1.2从星型模式到旋转模式
从面向对象的角度来看,数据立方体与影响域的特性不尽相同,包含基本维(类)、属性、对象或实例、层次以及度量这五个特性,OLAP的星型模式通常直接映射在该对象结构中.星型模式每个维表都可看成一个对象,对象的属性代表在维表中的列,度量在各个维构成的空间上进行计算.图1给出一个星型模式的例子,包含四个基本维:商店维、客户维、产品维和定货维,中央的事实表中存有度量和各个基本维的码值.星型模式是用来处理聚合运算的,该模式能很好地用于OLAP,但它本身不带数据挖掘功能,不能用于OLAM,因此需要将星型模式作相应扩展.
在对影响域进行分析的过程中,通常将分析焦点聚焦在星型模式中的维表上(如产品或商店,如图1所示).由于在分析中要用附加的聚合或选择的数据项以丰富维表内容,因此对于每个库表来说,需要比星型模式存储更多的数据.分析的焦点在各个维表之间不断转换,例如从客户维转换至商店维再到产品维等等,可以看作是焦点在绕着星型模式旋转,因此,本文引入“旋转模式”的概念,将OLAM的分析结构命名为旋转模式.图2显示出与图1中星型模式所对应的旋转模式的例子.旋转模式的中心存储的是影响域的蕴涵,外围是各个维表的码值以及聚焦度量和其它度量,四周呈辐射状的是各个维表.
在执行影响域分析时,焦点沿着不同的基本维(或类)旋转,在维和度量形成的广义数据立方体空间上执行蕴涵运算对应于图1的旋转模式的例子如图3所示,旋转模式中的库表具有五个主要部分:(1)中的库表具有五个主要部分聚焦维;(2)聚焦度量;(3)内部属性;(4)外部属性;(5)非聚焦度量.聚焦维代表当前分析焦点所在的基本维,如图2所示的客户维;聚焦度量代表用户关心的度量,如利润;内部属性是聚焦维中的属性,如客户年龄等;外部属性是非聚焦维中的属性,如某客户最喜爱的产品颜色等;非聚焦度量是用于辅助决策的度量,如某客户平均一次购买的商品的数目.由此可以看出影响域中的存储模式与OLAP是不同的.
OLAM机制具有交互的特性,而且求蕴涵函数的计算代价比较昂贵,因此在大型数据库或数据仓库中实现OLAM机制的关键是解决快速响应和有效实现的问题.必须考虑如下因素:
2.1快速响应和高性能挖掘
OLAM若想获得快速响应和高的性能,会比OLAP困难,因为数据挖掘的计算代价通常比OLAP昂贵.快速响应对于交互式挖掘是致关重要的,有时为了得到快速响应甚至可以牺牲精度,因为交互式挖掘能一步步引导挖掘者聚焦在搜索空间并查找越来越多重要的模式.一旦用户能限定小的搜索空间,就可调用更高级的而速度较慢的挖掘算法进行细致分析.可考虑采用逐渐精化数据挖掘质量的OLAM方法:首先在大数据集上用快速挖掘算法标识出感兴趣的模式/区域,然后用代价较高但较精确的算法进行详细分析.
2.2基于数据立方体的挖掘方法
基于数据立方体的挖掘方法应该是OLAM机制的核心.基于立方体的数据挖掘已经有很多研究,包括概念描述、分类、关联、预测、聚类等.基于立方体的挖掘继承了关系型或事务型数据挖掘方法的思想,并具有许多特性.在基于立方体的有效挖掘算法领域需要更多的研究.高性能数据立方体技术对OLAM很重要.由于一个挖掘系统需要计算大量维之间的关系或详细细节,这样的数据不可能都预先实体化,有必要联机动态计算数据立方体的一部分.另外,多特性数据立方体的有效计算,以及支持具有复杂维和度量的非传统的数据立方体,对有效地数据挖掘都很重要.因此,需进一步开发数据立方体技术.
2.3选择或添加数据挖掘算法
关系型查询处理能用不同的处理途径对同一查询生成相同的答案,但是采用不同的数据挖掘算法可能会生成显著不同的挖掘结果.因此,提供多种可选的数据挖掘算法很重要.另外,用户也许想自己开发一个算法,如果提供标准开放的API,而且OLAM系统经过很好地模块化,用户就有可能增加或修改数据挖掘算法.用户定义的数据挖掘算法可以较好地利用一些开发良好的系统构件以及知识可视化工具,并与已有的数据挖掘功能合成.因存在有多个数据挖掘功能,如何在某一具体应用中选定合适的数据挖掘功能是一个问题,必须熟悉应用问题、数据特征以及数据挖掘功能的作用,有时需要执行交互探索式分析来选择合适的功能.因此,建造探索式分析工具以及构建面向应用的语义层是两个重要的解决方案.OLAM提供探索式分析工具,进一步的研究应该放在为具体应用自动选择数据挖掘功能上.
2.4在多个数据挖掘功能之间交互
OLAM的优势不仅仅在于选择一系列的数据挖掘功能,也在于在多个数据挖掘和OLAP功能之间交互.例如首先切割立方体的一部分,基于一指定的类属性将该部分分类并查找关联规则,然后下挖在更细2.5可视化工具
为了有效地显示OLAP挖掘结果并与挖掘处理交互,开发多种知识和数据可视化工具很重要.图表、曲线、决策树、规则图、立方体视图、boxplot图等是描述数据挖掘结果的有效工具,帮助用户监测数据挖掘的过程并与挖掘过程交互.
2.6可扩展性
OLAM系统与用户及知识可视化软件包在顶端通讯,与数据立方体在底端通讯.它应该高度模块化,并具有可扩展性,因为它可能会与多个子系统合成并以多种方式扩展.应该扩展OLAP挖掘技术至高级的和/或特殊用途的数据库系统,包括扩展的关系型、面向对象的、文本、空间、时间、多媒体和异种数据库以及Internet信息系统.对复杂类型的数据,包括结构化、半结构化和非结构化数据的OLAP挖掘也是一重要的研究方向.
2.7做书签和回溯技术
OLAM借助于数据立方体导航,提供给用户充分的自由,运用任一数据挖掘算法序列来探索和发现知识.当从一个数据挖掘状态转换至另一状态时常常可有很多选择.可做个书签,如果发现一个路径无意义,就回到原先的状态并探索其它的方法.这种做标记和回溯机制防止用户“迷失在OLAM空间”中.
利用OLAM模型沿着多个维进行挖掘,观察沿着这些维的模式,进行合并,并以智能的方式与用户进行交互,可以在多维数据库的不同的部位和不同的抽象级别交互地执行挖掘.它有如下优点:
(1)便于交互式探索性的数据分析.有效的数据挖掘需要探索性的数据分析功能〔6〕.用户常希望灵活地遍历数据库,选择任一部分的相关数据,在不同的抽象级别上分析,并以不同的形式表示知识/结果.OLAM便于对不同的数据子集在不同抽象级别上进行数据挖掘,这连同数据/知识可视化工具将大大加强探索性数据挖掘的能力和灵活性.
(2)联机选择数据挖掘功能.事先预测挖掘何种类型的知识是困难的,对于用户来讲,常常不知道想挖掘什么样的知识.通过OLAM模型将OLAP与多个数据挖掘功能结合,用户可以灵活选择所需的数据挖掘功能,并动态交换数据挖掘任务.本文所提出的OLAM模型的理论方法、基本权标和数据结构将数据挖掘和OLAP技术结合在一个统一的框架之中,大大加强了决策分析的功能和灵活性.该模型有助于在大型数据库和数据仓库中交互式地挖掘多层次的知识,是一个很有前景的方向.
1 E.F.Codd, S.B.Codd, C.T.Salley. Beyond decision support.〔J〕Computerworld, 27(30), July 1993
2 Usama M Fayyad, www.51lunwen.com/database/ Gregory Piatetsky-Shapiro et al. Advances inknowledge discovery and data mining.〔M〕California: AAAI/MIT Press, 1996
3 J.W.Han. Towards on-line analytical mining in large databases.〔R〕ACM SIGMOD Record, 1998. 27:97~107
4 J. W. Han, S. Chee, and J. Y. Chiang. Issues for on-lineanalytical mining of data warehouses.〔C〕Proc. of 1998SIGMOD’96 Workshop on Research Issues on Data Mining andKnowledge Discovery (DMKD’98), Seattle, Washington, June1998
5 J.W.Han. OLAP Mining: An Integration of OLAP with DataMining.〔C〕Proc. 1997 IFIP Conference on Data Semantics (DS-7), Leysin, Switzerland, Nov. 1997. 1~11
6 M.S.Chen, J.W.Han, and P.S.Yu. Data mining: an overviewfrom a database perspective.〔J〕IEEE Transactions onKnowledge and Data Engineering, 1996. 8(6): 866~883
浏览量:2
下载量:0
时间:
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中,数据分析可帮助人们作出判断,以便采取适当行动。以下是读文网小编为大家精心准备的:数据分析在混凝土配合比设计中的应用探究相关论文。内容仅供参考,欢迎阅读!
混凝土是全世界范围应用最为广泛的建筑材料。在混凝土诞生的一百多年中,无数科研工作者、工程实践者付诸大量的心血探索混凝土的奥秘。但是由于混凝土是一种从细观到宏观都是高度非均质的多项复杂体系,在科学实践中存在众多问题。
混凝土配合比设计的研究对于混凝土生产企业优化工艺、降低成本有着重要意义,为此全世界范围内的学者都给出过不同的研究方法。但是现行的配合比设计方法仍存在较多问题亟待解决。究其原因主要是有关混凝土材料的基础理论性研究不足,导致现行的众多的配合比设计方法均不能以材料科学: 组成、结构与性能的科学方法来阐述混凝土的内在问题。
我们可以对国内外几种配合比设计方法进行简单的评价: 美国ACI 方法: 其优点在于简单易行,通过查表即可得出配合比,但是各个参数的选择理论依据不强,对于材料性状变化的敏感性差,是经验性配合比设计方法最为典型的案例。而英国BRE 方法,相比美国ACI 方法参数选择相似,但是其选择依据考虑的因素更多,缺点也比较明显,仍是图表选择的形式,可能导致普适性较差。法国Dreux 方法的优点在于各个参数考虑细致。但是,Dreux 级配曲线可能有一定局限性。法国( de. larrad) 则在理论上更胜一筹,以物理模型和数学模型建立的设计方法。而我国现行的配合比设计方法更注重的是经验性设计。应该注意到,这样的配合比设计方法理论基础相对薄弱,经验性选择居多,并且计算结果偏差很大。具体表现在,强度公式引起的误差波动,其次用水量与砂率的选择依据也并不充分。
近年来,随着“人工神经网络”等数据分析方法研究的兴起,越来越多的人开始尝试用数据挖掘与分析的方法来进行混凝土配合比的设计与优化。比如人工神经网络方法就具有非线性处理能力强、不需要明确的函数关系式等特点。一个三层BP 神经网络可以以任意精度近似任何连续函数。甚至有研究指出采用人工神经网络技术进行混凝土配合比设计,具有适应性强、准确有效的优点,是进行多组分混凝土配合比设计的一种切实可行的方法。
本文针对混凝土配合比设计的研究工作已经取得的进展,阐明混凝土配合比设计所存在的问题,分析并讨论数据分析在混凝土配合比设计中的地位与意义,为混凝土配合比设计的进一步研究与工程实践提供一定的参考价值。
1. 1. 1 人工神经网络技术简介通常意义上的BP人工神经网络是以输入单元为自变量、输出单元为因变量、网络单元间的连接权值为调整参量,按最小误差原则逐步反馈修正而使网络达到最佳模拟状态的一种数学算法,即误差反传误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元; 中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构; 最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。
当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
1. 1. 2 在混凝土配合比设计中的应用人工神经网络的特点是非线性处理能力强、不需要明确的函数关系式等,正是因为这些优点,人工神经网络技术慢慢渗透到了各行各业当中且有着非常广泛的应用。理论上讲,一般的三层BP 神经网络可以以任意精度近似任何连续函数。有科学研究指出,采用人工神经网络技术进行混凝土配合比设计,具有适应性强、准确有效的优点,是进行多组分混凝土配合比设计的一种切实可行的方法。刘国华等人曾以BP 网络表达的混凝土性能——配合比关系作为约束条件,以成本函数作为目标条件,采用Monte - Carlo 随机试验法建立直接优化设计模型,并对网络输入输出单元的选择和预测结果稳定性进行较深入的探讨,最终开发出了实用软件。
1. 1. 3 应用实例
用BP 人工神经网络技术建立一个混凝土配合比设计的预测模型,首先必须能够让输入单元反映出影响混凝土最终性能的各个因素,且输出单元要包括所设计混凝土的各项性能指标。因此输入单元主要包括各种原材料的用量和混凝土制作工艺,主要有以下几种: 胶凝材料水泥的品种、强度、初终凝时间; 砂的用量与细度模数; 石子的用量、颗粒级配和最大、最小粒径;矿物掺合料如膨润土、粘土、粉煤灰、矿渣、矿粉等的用量; 用水量; 外加剂( 主要指减水剂用量及其减水率) 。对于混凝土的制作工艺,主要是指其拌合方式,因为不同的拌合方式成本不同,得到的混凝土性能也有差异。而输出单元主要包括混凝土强度、流动度与和易性,其他各项性能因一般情况暂不要求顾不做考虑。
为了提高模型在实际运算中的效率,可根据不同要求对输入输出单元做适当取舍。将输入单元中原材料的影响分为用量与质量指标两类。对于原材料的用量,由于在具体工程中某些材料如矿物掺合料等不会被采用,因此可以忽略; 质量指标往往对于同一工程而言,同产地原材料性能变化不大,在计算中可视为常值不予考虑。如果样本中原材料种类过多,包含了预设输入单元以外的原材料,则视作无效样本,不予采用; 但当样本中原材料种类少于网络单元中原材料的种类时,此类样本中未使用的原材料用量可以以0 代替。当然,如果试验得到的混凝土性能种类少于网络输出单元的性能种类,则视为无效样本。
1. 2. 1 模糊聚类分析简介模糊聚类分析是用数学方法研究和处理所要研究对象的分类问题,即用数学定量地确定分析对象之间在性质、特征等方面的亲疏关系和相似性,从而实现对事物客观地分型划类的数学方法。它是一种非常有效的分类手段,广泛地应用于天气预报、地震预测、地质勘探、环境保护以及图像语言识别等领域之中; 但是模糊集合论不同于普通的集合论,它是一种全新的理论,因而理解起来需要作一下思维的变换。而聚类分析是数理统计中的一种多元分析方法,它是用数学方法定量地确定样本的亲疏关系,从而客观地进行类型的划分。在客观世界中,事物之间的界限有确切的亦有模糊的。
当分类要求涉及事物之间的模糊界限时,需运用模糊聚类分析方法。通常把被聚类的事物称为样本,将被聚类的一组事物称为样本集。模糊聚类分析有两种基本方法: 系统聚类法和逐步聚类法。聚类分析是用数学方法研究和处理所要研究对象的分类问题,即用数学定量地确定分析对象之间在性质、特征等方面的亲疏关系和相似性,从而实现对事物客观地分型划类的数学方法。用模糊聚类分析事物更加的灵活,客观和计算简便。
1. 2. 2 在混凝土配合比设计中的应用模糊聚类分析在混凝土配合比设计中的应用主要是采用基于模糊等价关系的动态聚类法,其计算过程主要是样本与聚类指标的选择、数据标准化、计算模糊相似关系、确定模糊等价关系和聚类,模糊聚类分析的结论并不表征对象绝对属于某一类,而是以清晰的阈值表征对象在一定程度上相对属于某一类。模糊聚类分析与BP 人工神经网络结合进行预测比单纯的模糊预测精度要高,所需的训练次数要少,而且预测效果要好。这是因为通过模糊聚类分析可以预先将各个模式分成若干类别,而如果单纯地通过隶属度进行预测计算则无法充分利用各个模式间存在的相容相斥关系,这样将会导致可利用的信息不完整。
相反。如果能够很好地配合BP 人工神经网络的信息处理机制,则可以充分增强神经网络的分类能力。除此之外,还可以使各个模式间的相容相斥信息得以利用,预测精度会相应提高。模糊聚类由于可以从量上把握研究体系中的复杂和模糊不确定的关系,因此在混凝土配合比设计中应用模糊聚类方法可以解决那些往往无法定量讨论的问题。模糊聚类还可以通过对混凝土配合比基础理论的修正,来侧面优化通过人工神经网络建立的混凝土配合比设计系统。周双喜曾以钢渣粉、粉煤灰、矿渣粉、烧黏土等作为试验对象,把掺加不同掺合料胶砂的3d与28d 抗压、抗折强度作为样品的指标,通过模糊聚类分析了掺合料的活性,并由此避免了凭经验选择所带来的主观片面性。
李敏等人采用抗压强度损伤系数、外观损伤系数和耐久度损伤系数为一级评价指标,以爆裂度、裂缝宽度为二级指标,确定了评价因子的权重,建立了评价计算模型,实现了无损伤快速的对高强混凝土受火后的综合评价。田华等人指出通过选取两类指标: 最简单直观的水灰比、矿物掺合料用量、砂率、水泥强度、混凝土外加剂用量和骨料最大粒径或者体现混凝土强度、工作性、耐久性和经济性的抗压强度、坍落度、抗渗性和原材料,将模糊聚类分析法用于混凝土质量控制中可改进传统混凝土质量评定结果的不客观性。赵运德等人以人力、机械、材料、方法和环境为指标采用模糊聚类分析法,建立了一种快捷方便的混凝土质量评估模型,可预测混凝土质量评价中的影响因素,以确保工程质量的合格。
1. 3. 1 灰色关联分析简介灰色关联分析方法是根据各个因素之间发展趋势的相似相异程度( 灰色关联度) 作为衡量因素间关联程度的一种方法。灰色关联分析的基本原理是考察各行因素之间微观或宏观的几何接近,以分析和确定各因素之间的影响程度或若干个子因素对主因素的贡献程度。灰色系统理论实际上提出了对各子系统进行灰色关联分析的概念,该理论企图通过一定的方法来寻求系统中各子系统( 或因素) 之间的数值关系。也正因为此,灰色关联度分析对于任意一个系统的发展变化态势都提供了数量化的度量。关联度是针对于两个系统之间的因素中随时间或不同对象而变化的关联性大小的量度。在系统发展过程当中,若两个因素变化的趋势具有一致性( 同步变化程度高) ,则可以说二者关联程度大,因此可以得出在某个包含多种因素的系统中具体的某个因素是属于主要的、次要的还是影响比较小的。
1. 3. 2 在混凝土配合比设计中的应用
混凝土是一种可用于多种环境下的非均质材料,其性能受多种因素的影响,而应用灰色关联理论可以将混凝土多个影响因素的“影响力”进行量化、排序,不仅使人们在理论上更好的认识混凝土,而且有助于混凝土配合比设计方法在理论层面上的完善。冯庆革等人曾借助灰色关联理论计算出养护龄期为7、28d 的混凝土抗压和抗拉强度与10nm ~ 20nm 范围的孔关联度最大, 91d 时与大于400nm 的孔关联度最大。梁本亮的结论与按照单因素敏感性分析方法得出的结果一致,即应用灰色关联建立了氯离子浓度、水灰比、环境湿度和构件表面氯离子浓度与氯离子侵蚀寿命之间的关联度,得出混凝土结构氯离子侵蚀寿命影响因子敏感度中,以构件表面氯离子浓度为最高,其次是氯离子浓度和环境湿度,水灰比敏感度最低。
张永娟等人通过灰色关联理论分别分析了钢渣粉和矿粉颗粒与混凝土强度之间的关系,指出要想提高钢渣粉颗粒群的反应活性,应增加粒径为5μm ~ 30μm,尤其是粒径为5μm ~ 10μm 的颗粒含量,而矿渣粉则是0 ~20 μm范围内的颗粒对混凝土强度有积极作用。席峰等人通过分析聚苯乙烯泡沫混凝土的原材料用量与混凝土强度和密度的关联度,指出在密度不变的情况下,水灰比的改变和减水剂的使用对混凝土强度影响最大; 而在强度不变的情况下,砂石和EPS 的含量是影响密度的主要因素。
C. Y. Chang和他的团队曾将灰色关联和赋权技术结合起来确定了应用再生骨料生产混凝土的最佳参数。冯庆革等人通过灰色关联分析法计算出养护龄期为7、28d 的混凝土抗拉、抗压强度与10nm ~ 20nm 范围的孔关联度最大,91d时与大于400nm 的孔关联度最大。罗洵利用灰色关联法,分析了胶凝材料用量、水胶比、磨细矿渣掺量、硅灰掺量与混凝土坍落度和28d 强度的关联度,得出胶凝材料的用量对混凝土强度和流动性的影响最大的结论。袁晓露的团队还通过灰色关联法分析了水泥矿物组成与韧性间的主次相关性。陈志江等人利用灰色关联分析法得到了各个因素对混凝土碳化深度的影响,按照大小依次排序为: 水灰比、相对湿度、水泥用量、碳化时间。
( 1) 采用人工神经网络技术进行混凝土配合比设计,具有适应性强、准确有效的优点,是进行多组分混凝土配合比设计的一种切实可行的方法。
( 2) 模糊聚类分析与BP 人工神经网络结合进行预测比单纯的模糊预测精度要高,所需的训练次数要少,而且预测效果要好。
( 3) 灰色关联理论可以将混凝土多个影响因素的“影响力”进行量化、排序,不仅使人们在理论上更好的认识混凝土,而且有助于混凝土配合比设计方法在理论层面上的完善。
浏览量:3
下载量:0
时间: