CN115049093A - 一种基于集成学习算法的屈服应力预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于集成学习算法的屈服应力预测方法及系统，所述方法包括：基于Stacking集成学习算法的膏体屈服应力预测方法以大量实验数据为基础，采用Stacking模型融合算法集成多种回归模型(DT、SVM、KNN、RF等)来构建膏体屈服应力预测模型，利用膏体中废石/尾砂比值、水泥量、质量浓度等多种因素影响，将实验数据进行剔除异常值、无量纲化等预处理得到训练集，来训练屈服应力Stacking集成模型，提高预测效率和预测准确性。

Description

一种基于集成学习算法的屈服应力预测方法及系统

技术领域

本发明涉及矿山充填领域，尤其涉及一种基于集成学习算法的屈服应力预测方法及系统。

背景技术

矿业是国家的工业命脉，是发展国民经济、保障国家安全的重要基础。我国矿产资源虽较为丰富，但呈现贫矿多、大型矿床少、开发利用难等特点。近年来，对矿产资源进行大量开发，浅层矿产资源日渐枯竭，逐步转向深地矿产资源开采。随之涌现出矿山安全事故、矿区生态环境破坏、固体废弃物大量堆放等一系列问题。因此，对矿产资源开采中安全生产、环境保护、资源利用等方面提出了更高要求，强调发展循环经济，绿色开采成为采矿业发展的必然趋势。膏体充填法因其安全、经济、环保、高效等突出特点，成为未来采矿业的发展方向。

在膏体充填工艺流程中，输送作为最后一个核心工艺，膏体料浆输送质量直接决定充填效果。为保证充填效果，膏体料浆不能泌水、不能离析，需要保持适宜的流平度。膏体屈服应力作为流变性能的关键参数，是判断膏体料浆输送质量的重要方式。目前，主要通过桨式流变仪操作方法检测膏体屈服应力，再引入塌落度屈服应力理论进行检验和校正。此方法需要进行多组实验，操作相对复杂且需花费大量时间，不适合实际生产场景。

然而，现有技术中存在Stacking集成学习算法的预测模型依赖于大量原始数据进行学习，随着海量样本训练的增多，使得前期对膏体屈服应力测量的方法复杂、费时、预测准确性相对较低的技术问题得以解决。

发明内容

本发明的目的是提供一种基于集成学习算法的屈服应力预测方法及系统，用以解决现有技术中的Stacking集成学习算法的预测模型依赖于大量原始数据进行学习，随着海量样本训练的增多，使得前期对膏体屈服应力测量的方法复杂、费时、预测准确性相对较低的技术问题得以解决。

鉴于上述问题，本发明提供了一种基于集成学习算法的屈服应力预测方法及系统。

第一方面，本发明提供了一种基于集成学习算法的屈服应力预测方法，所述方法通过一种基于集成学习算法的屈服应力预测系统实现，其中，所述方法包括：搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；对所述原始实验数据集进行预处理，获得第一训练数据集；将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。

另一方面，本发明还提供了一种基于集成学习算法的屈服应力预测系统，用于执行如第一方面所述的一种基于集成学习算法的屈服应力预测方法，其中，所述系统包括：第一搭建单元，所述第一搭建单元用于搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；第一采集单元，所述第一采集单元用于基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；第一处理单元，所述第一处理单元用于对所述原始实验数据集进行预处理，获得第一训练数据集；第一输入单元，所述第一输入单元用于将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；第二输入单元，所述第二输入单元用于将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；第一训练单元，所述第一训练单元用于基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；第三输入单元，所述第三输入单元用于将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。

第三方面，本发明还提供了一种基于集成学习算法的屈服应力预测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。

第四方面，一种电子设备，其中，包括处理器和存储器；

该存储器，用于存储；

该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。

第五方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。

本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过Stacking集成学习算法的膏体屈服应力预测方法以大量实验数据为基础，采用Stacking模型融合算法集成多种回归模型(DT、SVM、KNN、RF等)来构建膏体屈服应力预测模型，利用膏体中废石/尾砂比值、水泥量、质量浓度等多种因素影响，将实验数据进行剔除异常数据、无量纲化等预处理得到训练集，来训练屈服应力Stacking集成模型，提高预测效率和预测准确性。本发明可大大提高膏体屈服应力预测的准确性和便利性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明一种基于集成学习算法的屈服应力预测方法的流程示意图；

图2为本发明一种基于集成学习算法的屈服应力预测方法中获得所述初始屈服应力预测值集合的流程示意图；

图3为本发明一种基于集成学习算法的屈服应力预测方法中获得所述屈服应力模型预测值的流程示意图；

图4为本发明一种基于集成学习算法的屈服应力预测系统的结构示意图；

图5为本发明示例性电子设备的结构示意图。

附图标记说明：

第一搭建单元11，第一采集单元12，第一处理单元13，第一输入单元14，第二输入单元15，第一训练单元16，第三输入单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。

具体实施方式

本发明通过提供一种基于集成学习算法的屈服应力预测方法及系统，解决了Stacking集成学习算法的预测模型依赖于大量原始数据进行学习，随着海量样本训练的增多，使得前期对膏体屈服应力测量的方法复杂、费时、预测准确性相对较低的技术问题。通过Stacking集成学习算法的膏体屈服应力预测方法以大量实验数据为基础，采用Stacking模型融合算法集成多种回归模型来构建膏体屈服应力预测模型，利用膏体中多种因素影响，将实验数据进行剔除异常数据、无量纲化等预处理得到训练集，来训练屈服应力Stacking集成模型，达到了提高膏体屈服应力预测的准确性和便利性，进而提高生产效率的技术效果。

本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

本发明提供了一种基于集成学习算法的屈服应力预测方法，所述方法应用于一种基于集成学习算法的屈服应力预测系统，其中，所述方法包括：搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；对所述原始实验数据集进行预处理，获得第一训练数据集；将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。

在介绍了本发明基本原理后，下面将结合说明书附图来具体介绍本发明的各种非限制性的实施方式。

实施例一

请参阅附图1，本发明提供了一种基于集成学习算法的屈服应力预测方法，其中，所述方法应用于一种基于集成学习算法的屈服应力预测系统，所述方法具体包括如下步骤：

步骤S100：搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；

步骤S200：基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；

具体而言，在膏体充填工艺流程中，输送作为最后一个核心工艺，膏体料浆输送质量直接决定充填效果。为保证充填效果，膏体料浆不能泌水、不能离析，需要保持适宜的流平度。膏体屈服应力作为流变性能的关键参数，是判断膏体料浆输送质量的重要方式。目前，主要通过桨式流变仪操作方法检测膏体屈服应力，再引入塌落度屈服应力理论进行检验和校正。此方法需要进行多组实验，操作相对复杂且需花费大量时间，不适合实际生产场景。为了解决此类问题，本申请提出了一种基于集成学习算法的屈服应力预测方法，基于Stacking集成学习方法建立膏体屈服应力预测模型，仅需输入测试集数据，即可预测出膏体屈服应力，大大提高生产效率。

具体的，所述屈服应力预测模型是基于Stacking集成学习方法实现的，其中，将个体学习器结合在一起的时候使用的方法叫做结合策略，在stacking方法中，把个体学习器叫做初级学习器，用于结合的学习器叫做次级学习器或元学习器(meta-learner)，次级学习器用于训练的数据叫做次级训练集。次级训练集是在训练集上用初级学习器得到的。如果想要预测一个数据的输出，只需要把这条数据用初级学习器预测，然后将预测后的结果用次级学习器预测便可。因此，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型，所述第一层基学习器模型，即对应于初级学习器，所述第二层元学习器模型，即对应于次级学习器。

进而，基于大数据，采集获得目标物的原始实验数据集，即采集同类型不同特征膏体的废石/尾砂比值、水泥量、质量浓度数据，以及相对应的膏体屈服应力数据等，基于所述原始实验数据，可对膏体的屈服应力预测模型进行训练。

步骤S300：对所述原始实验数据集进行预处理，获得第一训练数据集；

进一步的，步骤S300包括：

步骤S310：根据所述原始实验数据集，获得第一特征数据集；

步骤S320：对所述第一特征数据集进行中心化处理，获得第二特征数据集；

步骤S330：获得所述第二特征数据集的第一协方差矩阵；

步骤S340：对所述第一协方差矩阵进行运算，获得所述第一协方差矩阵的第一特征值和第一特征向量；

步骤S350：将所述第一特征数据集投影到所述第一特征向量，获得第一降维数据集，其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。

具体而言，在采集获得所述目标物的原始实验数据集之后，因膏体的废石/尾砂比值、水泥量、质量浓度均会影响膏体屈服应力，需通过大量实验获取同类型不同特征膏体的废石/尾砂比值、水泥量、质量浓度等数据以及相对应的屈服应力值作为训练集，通过人工剔除重复和异常的数据、补齐缺失数据、无量纲化等对训练集进行预处理，供后续训练预测模型使用。

在对所述原始实验数据集进行预处理时，可根据所述原始实验数据集，获得膏体的多种特征，进而对提取到的特征数据进行数值化处理，并构建特征数据集矩阵，获得所述第一特征数据集。继而对所述第一特征数据集中的各特征数据进行中心化处理，首先求解所述第一特征数据集中各特征的平均值，然后对于所有的样本，每一个特征都减去自身的均值，继而获得新的特征值，由新的特征值构成所述第二特征数据集，所述第二特征数据集为一数据矩阵。通过协方差公式：

对所述第二特征数据集进行运算，获得所述第二特征数据集的第一协方差矩阵。其中，

为所述第二特征数据集中的特征数据；

为该特征数据的平均值；M为所述第二特征数据集中的样本数据总量。继而通过矩阵运算，求出所述第一协方差矩阵的特征值及特征向量，且每一特征值对应一个特征向量。在求出的所述第一特征向量中，选取最大的前K个特征值及其对应的特征向量，并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上，得到降维之后的所述第一特征数据集，以此实现对所述原始实验数据集进行预处理。

步骤S400：将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；

进一步的，如图2所示，步骤S400包括：

步骤S410：所述第一层基学习器模型包括决策树模型、支持向量机模型以及邻近算法模型；

步骤S420：将所述第一训练数据集输入至所述决策树模型，获得第一模型预测结果；

步骤S430：将所述第一训练数据集输入至所述支持向量机模型，获得第二模型预测结果；

步骤S440：将所述第一训练数据集输入至所述邻近算法模型，获得第三模型预测结果；

步骤S450：对所述第一模型预测结果、所述第二模型预测结果以及所述第三模型预测结果进行数据融合，获得所述初始屈服应力预测值集合。

具体而言，所述基于Stacking集成学习算法的膏体屈服应力预测模型由多个回归模型集合得到，分为第一层基学习器和第二层元学习器。其中，所述第一层基学习器模型包括决策树(DT)、支持向量机(SVM)、邻近算法(KNN)。

其一，决策树(Decision Tree，简称DT)，常用作数据分析，具有高效、简单、强解释性等特点。每棵决策树模型往往由单个根节点和若干个内部节点、叶节点组成，通过结构树模型中多个判断节点的树状结构来实现数据分析。决策树主要通过构建一系列属性测试，将样本划分至不同的结点，使得相同结点内样本间“相似性”越来越高，进而达到学习及预测的目的。通过将所述第一训练数据集输入至所述决策树模型，可获得第一模型预测结果，所述第一模型预测结果包含了不同膏体在多特征集合下的第一屈服应力预测结果。

其二，支持向量机(Support Vector Machine，简称SVM)的基本思路是在特征空间上求解能够正确划分训练且几何间隔最大的超平面。在样本空间中，超平面可由W^Tx+b＝0来描述，其中W为法向量，b为位置项，分别决定超平面的方向和超平面与原点之间的距离。距离超平面最近的训练样本点称为“支持向量”(Support Vector)，2个异类支持向量到超平面的距离之和称为“间隔”，SVM的学习策略即为找到某一超平面，使其间隔最大化。通过将所述第一训练数据集输入至所述支持向量机模型，可获得第二模型预测结果，所述第二模型预测结果反映了在某一超平面下，两异类支持向量到超平面的最大间隔，进而表征了不同膏体在多特征集合下的第二屈服应力预测结果。

其三，邻近算法(K-Nearest Neighbor，简称KNN)是一种解决分类和回归问题的监督式学习算法。邻近算法通过建立向量空间模型，并选取K个训练样本，使用平均法，把训练样本特征平均值用于待预测的特征。其基本流程为，首先划分训练集和测试集，然后对样本数据计算与预测样本的欧式距离，最后对欧式距离从小到大列举，去除排在前K个的训练数据，从而计算它们的平均值，即为最终的预测值。KNN算法的优点是简单，同时又具有很好的泛化能力。通过将所述第一训练数据集输入至所述邻近算法模型，可获得第三模型预测结果，所述第三模型预测结果表征了不同膏体在多特征集合下的第三屈服应力预测结果。

由于决策树(DT)、支持向量机(SVM)、邻近算法(KNN)均为对所述第一训练数据集进行分类预测，因此可将所述第一模型预测结果、所述第二模型预测结果以及所述第三模型预测结果进行数据融合，获得所述初始屈服应力预测值集合，实现对同类型不同特征膏体的初级屈服应力预测。

步骤S500：将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；

进一步的，如图3所示，步骤S500包括：

步骤S510：所述第二层元学习器模型嵌入随机森林回归模型；

步骤S520：将所述初始屈服应力预测值集合划分为第一分训练集、第二分训练集直至第N分训练集；

步骤S530：基于所述第一分训练集，获得第一预测结果，基于所述第二分训练集，获得第二预测结果，以此类推，基于所述第N分训练集，获得第N预测结果；

步骤S540：对所述第一预测结果、所述第二预测结果直至所述第N预测结果的权重进行平均计算，获得所述屈服应力模型预测值。

具体而言，在基于所述第一层基学习器模型，获得初始膏体屈服应力预测值后，还需对其进行修正，以得到最终的膏体屈服应力预测值，因此，可将所述初始屈服应力预测值集合输入至所述第二层元学习器模型进行修正训练，所述第二层元学习器模型是基于随机森林回归模型实现的。

具体的，随机森林(Random Forest，简称RF)是一种并行式集成学习Bagging的扩展变体。通过建立多个相互无关联的决策树，将其合并后可更精确和稳定预测，用于解决判别、分类和回归问题。即通过将所述初始屈服应力预测值集合划分为第一分训练集、第二分训练集直至第N分训练集，其中每一个分训练集都代表了一个决策树，且各个决策树之间具有不同决策特征，确保对训练数据进行全面精确化决策。

通过所述第一分训练集，可对训练数据进行第一次训练，所述第一预测结果即为基于所述第一分决策树训练获得的第一膏体屈服应力预测值，以此类推，通过所述第二分训练集，可获得所述第二预测结果，进而，直至获得所述第N预测结果，所述第N预测结果表征了基于第N分决策树训练获得的第N膏体屈服应力预测值，进而对N个膏体屈服应力预测值中的单个膏体屈服应力预测值的所占比重进行均值计算，获得所述屈服应力模型预测值，所述屈服应力模型预测值即为均值计算得到的结果，基于随机森林回归模型，使得原始数据的预测结果更加精确稳定。

步骤S600：基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；

步骤S700：将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。

进一步的，步骤S700包括：

步骤S710：基于相对误差计算公式

对所述第一预测屈服应力结果进行相对误差分析，其中，δ为实际相对误差，Δ为绝对误差，L为真值。

具体而言，在获得同类型不同特征膏体的屈服应力模型预测值之后，还可与其实际测量值进行比较，进行误差分析。基于Stacking集成学习建立膏体屈服应力预测模型，将训练集作为输入，将对应的膏体屈服应力数据作为期望输出，基于膏体的屈服应力实际测量值，训练基于Stacking集成学习算法的膏体屈服应力预测模型，使得最终训练出的膏体屈服应力预测模型能精确稳定的对待测膏体的屈服应力进行预测。

进而，将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，即将待预测膏体的废石/尾砂比值、水泥量、质量浓度数据输入基于Stacking集成学习算法的膏体屈服应力预测模型，预测出该膏体的屈服应力结果。示例性的，待预测膏体的参数如下表所示：

进而，膏体屈服应力Stacking集成学习算法模型预测准确性评价通过相对误差δ方法进行分析，表达式为：

对所述第一预测屈服应力结果进行相对误差分析，其中，δ为实际相对误差，Δ为绝对误差，L为真值。为验证预测准确性，通过相对误差分析的方法分析预测结果，35组测试数据中，膏体屈服应力模型预测值和实际测量值相对误差均未超过±30％，超65％的膏体屈服应力模型预测值和实验测量值相对误差小于±10％，分析结果见下表：

由此，通过采用Stacking集成学习算法融合多个预测模型，并通过贝叶斯优化方法优化各模型中参数，避免单个模型预测误差，发挥各个模型优势，使整体模型性能达到最优，提高预测精确性，为企业带来良好的经济效益，适合在矿山充填领域推广应用。

进一步的，所述获得第一降维数据集之后，步骤S350包括：

步骤S351：根据所述第一降维数据集，获得所述第一训练数据集；

步骤S352：基于K折交叉验证法，将所述第一训练数据集均分为K个大小相同的子集A＝{A₁,A₂,…,A_K}；

步骤S353：将所述A＝{A₁,A₂,…,A_K}中每个子集分K次依次作为测试集B_C，其他子集作为训练集B_X，将训练集B_X输入所述第一层基学习器模型进行训练，获得所述A＝{A₁,A₂,…,A_K}中各个样本测试结果集合。

具体而言，将预处理后的训练集作为输入，将对应的膏体屈服应力数据作为期望输出，训练基于Stacking集成学习算法的膏体屈服应力预测模型，具体的，可采用K折交叉验证把原始数据集均分为K个大小相同的子集：A＝{A₁,A₂,…,A_K}，进而将A＝{A₁,A₂,…,A_K}中每个子集分K次依次作为测试集B_C，其他子集作为训练集B_X，将训练集B_X输入基学习器进行训练，获得所述A＝{A₁,A₂,…,A_K}中各个样本测试结果集合。所述第一层基学习器模型将K折交叉验证中第K个测试集B_C中各个样本预测出结果。经K折交叉验证后，基学习器输出结果构成新数据集，作为第二层元学习器输入数据。即所述第一层基学习器模型输出的结果作为Stacking成模型的第二层输入的数据集，所述第二层元学习器模型采用支持向量机(SVM)回归模型进行归纳学习，既可以充分发挥基学习器中各模型特点和优势，又可以避免基学习器中各模型预测误差。

进一步的，所述将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型之前，步骤S600包括：

步骤S610：判断所述屈服应力预测模型是否初始化；

步骤S620：若所述屈服应力预测模型初始化，获得所述屈服应力预测模型中的各模型参数集合；

步骤S630：基于贝叶斯优化算法，对所述各模型参数集合进行自动调整。

具体而言，由于基学习器和元学习器中各个模型有较多参数，这些参数将共同影响模型精度，手动调整参数不能使算法达到最优，因此，在将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型之前，引用贝叶斯优化方法进行自动调整参数。

具体的，首先判断所述屈服应力预测模型是否初始化，如果所述屈服应力预测模型初始化，可获得所述屈服应力预测模型中的各模型参数集合，进而基于贝叶斯优化算法，对所述各模型参数集合进行自动调整。其中，给y一个先验概率，最大迭代次数N；随机初始化n0个点，并得到n0个点结果；利用初始化的n0个点，更新先验概率n＝n0；当n<＝N时：根据当前后验概率p(y|{(x1,f(x1)),...(xn,f(xn))}),计算acquisition function an(x)；b)选择最大化an(x)的点作为xn+1；c)新的点xn+1，带入得到f(xn+1)；d)更新n＝n+1；返回当前评估过的数据中，使得f(x)最大的点x*；或者选择x*使得f的后验概率均值最大。

综上所述，本发明所提供的一种基于集成学习算法的屈服应力预测方法具有如下技术效果：

1、通过Stacking集成学习算法的膏体屈服应力预测方法以大量实验数据为基础，采用Stacking模型融合算法集成多种回归模型(DT、SVM、KNN、RF等)来构建膏体屈服应力预测模型，利用膏体中废石/尾砂比值、水泥量、质量浓度等多种因素影响，将实验数据进行剔除异常数据、无量纲化等预处理得到训练集，来训练屈服应力Stacking集成模型，提高预测效率和预测准确性。本发明可大大提高膏体屈服应力预测的准确性和便利性。

2、通过贝叶斯优化方法优化各模型中参数，避免单个模型预测误差，发挥各个模型优势，使整体模型性能达到最优，提高预测精确性。

3、Stacking模型融合方法抛弃了以往采用相似度较高的几种算法融合的做法，经过实验对比，采用了差异度高且学习能力强的算法融合来进行优化，使得Stacking模型融合的预测效果能够达到最优。

实施例二

基于与前述实施例中一种基于集成学习算法的屈服应力预测方法，同样发明构思，本发明还提供了一种基于集成学习算法的屈服应力预测系统，请参阅附图4，所述系统包括：

第一搭建单元11，所述第一搭建单元11用于搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；

第一采集单元12，所述第一采集单元12用于基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；

第一处理单元13，所述第一处理单元13用于对所述原始实验数据集进行预处理，获得第一训练数据集；

第一输入单元14，所述第一输入单元14用于将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；

第二输入单元15，所述第二输入单元15用于将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；

第一训练单元16，所述第一训练单元16用于基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；

第三输入单元17，所述第三输入单元17用于将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。

进一步的，所述系统还包括：

第一嵌入单元，所述第一嵌入单元用于所述第一层基学习器模型嵌入决策树模型、支持向量机模型以及邻近算法模型；

第四输入单元，所述第四输入单元用于将所述第一训练数据集输入至所述决策树模型，获得第一模型预测结果；

第五输入单元，所述第五输入单元用于将所述第一训练数据集输入至所述支持向量机模型，获得第二模型预测结果；

第六输入单元，所述第六输入单元用于将所述第一训练数据集输入至所述邻近算法模型，获得第三模型预测结果；

第一融合单元，所述第一融合单元用于对所述第一模型预测结果、所述第二模型预测结果以及所述第三模型预测结果进行数据融合，获得所述初始屈服应力预测值集合。

进一步的，所述系统还包括：

第二嵌入单元，所述第二嵌入单元用于所述第二层元学习器模型嵌入随机森林回归模型；

第一划分单元，所述第一划分单元用于将所述初始屈服应力预测值集合划分为第一分训练集、第二分训练集直至第N分训练集；

第一获得单元，所述第一获得单元用于基于所述第一分训练集，获得第一预测结果，基于所述第二分训练集，获得第二预测结果，以此类推，基于所述第N分训练集，获得第N预测结果；

第一计算单元，所述第一计算单元用于对所述第一预测结果、所述第二预测结果直至所述第N预测结果的权重进行平均计算，获得所述屈服应力模型预测值。

进一步的，所述系统还包括：

第二获得单元，所述第二获得单元用于根据所述原始实验数据集，获得第一特征数据集；

第二处理单元，所述第二处理单元用于对所述第一特征数据集进行中心化处理，获得第二特征数据集；

第三获得单元，所述第三获得单元用于获得所述第二特征数据集的第一协方差矩阵；

第四获得单元，所述第四获得单元用于对所述第一协方差矩阵进行运算，获得所述第一协方差矩阵的第一特征值和第一特征向量；

第五获得单元，所述第五获得单元用于将所述第一特征数据集投影到所述第一特征向量，获得第一降维数据集，其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。

进一步的，所述系统还包括：

第六获得单元，所述第六获得单元用于根据所述第一降维数据集，获得所述第一训练数据集；

第一均分单元，所述第一均分单元用于基于K折交叉验证法，将所述第一训练数据集均分为K个大小相同的子集A＝{A₁,A₂,…,A_K}；

第七获得单元，所述第七获得单元用于将所述A＝{A₁,A₂,…,A_K}中每个子集分K次依次作为测试集B_C，其他子集作为训练集B_X，将训练集B_X输入所述第一层基学习器模型进行训练，获得所述A＝{A₁,A₂,…,A_K}中各个样本测试结果集合。

进一步的，所述系统还包括：

第一分析单元，所述第一分析单元用于基于相对误差计算公式

对所述第一预测屈服应力结果进行相对误差分析；其中，δ为实际相对误差，Δ为绝对误差，L为真值。

进一步的，所述系统还包括：

第一判断单元，所述第一判断单元用于判断所述屈服应力预测模型是否初始化；

第八获得单元，所述第八获得单元用于若所述屈服应力预测模型初始化，获得所述屈服应力预测模型中的各模型参数集合；

第一调整单元，所述第一调整单元用于基于贝叶斯优化算法，对所述各模型参数集合进行自动调整。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于集成学习算法的屈服应力预测方法和具体实例同样适用于本实施例的一种基于集成学习算法的屈服应力预测系统，通过前述对一种基于集成学习算法的屈服应力预测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于集成学习算法的屈服应力预测系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

示例性电子设备

下面参考图5来描述本发明的电子设备。

图5图示了根据本发明的电子设备的结构示意图。

基于与前述实施例中一种基于集成学习算法的屈服应力预测方法的发明构思，本发明还提供一种基于集成学习算法的屈服应力预测系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于集成学习算法的屈服应力预测方法的任一方法的步骤。

其中，在图5中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本发明提供了一种基于集成学习算法的屈服应力预测方法，所述方法应用于一种基于集成学习算法的屈服应力预测系统，其中，所述方法包括：搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；对所述原始实验数据集进行预处理，获得第一训练数据集；将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。解决了Stacking集成学习算法的预测模型依赖于大量原始数据进行学习，随着海量样本训练的增多，使得前期对膏体屈服应力测量的方法复杂、费时、预测准确性相对较低的技术问题得以解决。通过Stacking集成学习算法的膏体屈服应力预测方法以大量实验数据为基础，采用Stacking模型融合算法集成多种回归模型来构建膏体屈服应力预测模型，利用膏体中多种因素影响，将实验数据进行剔除异常值、无量纲化等预处理得到训练集，来训练屈服应力Stacking集成模型，达到了提高膏体屈服应力预测的准确性和便利性，进而提高生产效率的技术效果。

本发明还提供一种电子设备，其中，包括处理器和存储器；

该存储器，用于存储；

该处理器，用于通过调用，执行上述实施例一中任一项所述的方法。

本发明还提供一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置或计算机程序产品。因此，本发明可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本发明为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory，简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。

本发明是参照本发明的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于集成学习算法的屈服应力预测方法，其特征在于，所述方法包括：

搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；

基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；

对所述原始实验数据集进行预处理，获得第一训练数据集；

将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；

将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；

基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；

将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。

2.如权利要求1所述的方法，其特征在于，所述将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，包括：

所述第一层基学习器模型嵌入决策树模型、支持向量机模型以及邻近算法模型；

将所述第一训练数据集输入至所述决策树模型，获得第一模型预测结果；

将所述第一训练数据集输入至所述支持向量机模型，获得第二模型预测结果；

将所述第一训练数据集输入至所述邻近算法模型，获得第三模型预测结果；

对所述第一模型预测结果、所述第二模型预测结果以及所述第三模型预测结果进行数据融合，获得所述初始屈服应力预测值集合。

3.如权利要求1所述的方法，其特征在于，所述将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，包括：

所述第二层元学习器模型嵌入随机森林回归模型；

将所述初始屈服应力预测值集合划分为第一分训练集、第二分训练集直至第N分训练集；

基于所述第一分训练集，获得第一预测结果，基于所述第二分训练集，获得第二预测结果，以此类推，基于所述第N分训练集，获得第N预测结果；

对所述第一预测结果、所述第二预测结果直至所述第N预测结果的权重进行平均计算，获得所述屈服应力模型预测值。

4.如权利要求1所述的方法，其特征在于，所述对所述原始实验数据集进行预处理，包括：

根据所述原始实验数据集，获得第一特征数据集；

对所述第一特征数据集进行中心化处理，获得第二特征数据集；

获得所述第二特征数据集的第一协方差矩阵；

对所述第一协方差矩阵进行运算，获得所述第一协方差矩阵的第一特征值和第一特征向量；

将所述第一特征数据集投影到所述第一特征向量，获得第一降维数据集，其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。

5.如权利要求4所述的方法，其特征在于，所述方法包括：

根据所述第一降维数据集，获得所述第一训练数据集；

基于K折交叉验证法，将所述第一训练数据集均分为K个大小相同的子集A＝{A₁,A₂,…,A_K}；

将所述A＝{A₁,A₂,…,A_K}中每个子集分K次依次作为测试集B_C，其他子集作为训练集B_X，将训练集B_X输入所述第一层基学习器模型进行训练，获得所述A＝{A₁,A₂,…,A_K}中各个样本测试结果集合。

6.如权利要求1所述的方法，其特征在于，所述且对所述第一预测屈服应力结果进行相对误差分析，包括：

基于相对误差计算公式

对所述第一预测屈服应力结果进行相对误差分析；

其中，δ为实际相对误差，Δ为绝对误差，L为真值。

7.如权利要求1所述的方法，其特征在于，所述将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，之前包括：

判断所述屈服应力预测模型是否初始化；

若所述屈服应力预测模型初始化，获得所述屈服应力预测模型中的各模型参数集合；

基于贝叶斯优化算法，对所述各模型参数集合进行自动调整。

8.一种基于集成学习算法的屈服应力预测系统，其特征在于，所述系统包括：

第一搭建单元，所述第一搭建单元用于搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；

第一采集单元，所述第一采集单元用于基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；

第一处理单元，所述第一处理单元用于对所述原始实验数据集进行预处理，获得第一训练数据集；

第一输入单元，所述第一输入单元用于将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；

第二输入单元，所述第二输入单元用于将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；

第一训练单元，所述第一训练单元用于基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；

第三输入单元，所述第三输入单元用于将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。

9.一种电子设备，其特征在于，包括处理器和存储器；

所述存储器，用于存储；

所述处理器，用于通过调用，执行权利要求1～7中任一项所述的方法。

10.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，该计算机程序和/或指令被处理器执行时实现权利要求1～7中任一项所述方法的步骤。

Images