接地网腐蚀速率等级预测方法

摘要

本发明公开了一种接地网腐蚀速率等级预测方法，一、训练样本数据输入；二、按照Bagging算法中的自举采样原理对训练样本进行随机抽样，形成M个训练样本自举子集并构成训练样本自举子集数据集三、按照KNN分类算法构建弱分类器模型并依次对M个训练样本自举子集进行训练，得到M个弱分类器四、按照Adaboost算法构建强分类器模型；五、输入待测样本数据，对接地网的腐蚀速率等级进行预测，得到预测结果并通过显示器进行显示。本发明设计新颖合理，使用操作便捷，预测精度高，利用现有技术中已测得的少量数据样本，就能够实现对接地网腐蚀速率等级的精确预测，实现成本低，实用性强，推广应用价值高。

主权项

1.一种接地网腐蚀速率等级预测方法，其特征在于该方法包括以下步骤：步骤一、训练样本数据输入：通过参数输入单元将预先收集到的训练样本数据集D=(X,Y)输入到数据处理器中；其中，X为土壤腐蚀理化因素样本集且X={x₁,x₂，…，,x_n}，Y为接地网腐蚀速率等级类别且Y={1,2，…，C}，x_i=[x_i1,x_i2，…，x_ip]^T(i=1,2，…，n;p=1,2，…，m)，n为样本个数且为自然数，p为土壤腐蚀理化因素，C为接地网腐蚀速率等级类别总数且为自然数，m为土壤腐蚀理化因素总数且为自然数；步骤二、所述数据处理器调用训练样本自举子集生成模块且按照Bagging算法中的自举采样原理对训练样本进行随机抽样，形成M个训练样本自举子集并构成训练样本自举子集数据集其中，r=1,2，…，M，j=1,2，…，n，M为自然数；步骤三、所述数据处理器调用弱分类器模型构建模块且按照KNN分类算法构建弱分类器模型并依次对M个训练样本自举子集进行训练，得到M个弱分类器步骤四、所述数据处理器调用强分类器模型构建模块且按照Adaboost算法构建强分类器模型，其具体过程如下：步骤401、初始化权值步骤402、对于第t次循环的第i个弱分类器计算其训练错误率其中，t=1,2，…，T，T为设定的迭代次数且为自然数；P为常数且P的取值规则为：当样本被弱分类器分类正确时，P的取值为1，当样本被弱分类器分类错误时，P的取值为0；步骤403、多次重复步骤402，直至计算出所有弱分类器的训练错误率；步骤404、比较所有弱分类器的训练错误率，选取出最小训练错误率判断ε^t是否小于0.5，并判断ε^t是否小于前一次循环选取出的最小训练错误率ε^t-1，当ε^t<0.5且ε^t≤ε^t-1时，不对按照KNN分类算法构建弱分类器模型时K的取值进行调整，直接执行步骤405，当ε^t>0.5或ε^t≥ε^t-1时，调整按照KNN分类算法构建弱分类器模型时K的取值，以备下一次循环时使用；当下一次循环到达此处时，判断是否仍然存在ε^t>0.5或ε^t≥ε^t-1，当仍然存在ε^t>0.5或ε^t≥ε^t-1时，再次调整按照KNN分类算法构建弱分类器模型时K的取值，以备再下一次循环时使用，当循环出现ε^t≤0.5时，不再对按照KNN分类算法构建弱分类器模型时K的取值进行调整，执行步骤405，当K的取值取遍1～（n-1）的自然数，仍然存在ε^t>0.5或ε^t≥ε^t-1时，结束循环；步骤405、选取训练错误率最小的弱分类器作为当前产生的弱分类器并记作h^t(x)；步骤406、计算弱分类器h^t(x)的分配系数步骤407、计算下一次循环时的权值${\omega }_j^{t+1}=\left\{\begin{array}{c}\frac{{\omega }_j^t}{Z^t}{e}^{-{\alpha }^t},h^t\left(x_j\right)=y_j\\ \frac{{\omega }_j^t}{Z^t}{e}^{{\alpha }^t},h^t\left(x_j\right)\ne y_j\end{array}\right.;$其中，e为自然对数，α^t为e的指数且Z^t是归一化因子且步骤408、采用下一次循环时的权值更新样本，产生下一次循环的新样本数据步骤409、选用步骤404中调整得到的K的取值，再次按照KNN分类算法构建弱分类器模型，并依次对经过步骤405选取后剩余的（M-1）个弱分类器所对应的（M-1）个训练样本自举子集和步骤408中产生的新样本数据进行训练，再次得到M个弱分类器；步骤4010、多次循环步骤402～409，直至t=T；步骤4011、构建强分类器模型步骤五、通过参数输入单元将预先收集到的待测样本数据输入到数据处理器中，所述数据处理器根据强分类器模型对待测样本数据进行分析处理，对接地网的腐蚀速率等级进行预测，得到预测结果并通过显示器进行显示。