[发明专利]基于随机森林的混凝土侵彻深度经验算法评价方法和装置

权利要求书

1.一种基于随机森林的混凝土侵彻深度经验算法评价方法，其特征在于，包括：

步骤1、基于BP神经网络拟合数据分布，对采集的试验数据样本集剔除异常数据，所述试验数据样本集包含着靶速度、弹体质量、弹体直径、靶标抗压强度、弹头CRH、弹头形状因子、弹头长度、靶标材料密度、无量纲侵彻深度参数；步骤1具体为：使用BP神经网络来对试验数据样本集进行拟合，BP神经网络经过训练得到试验数据分布的BP神经网络模型；使用BP神经网络模型对试验数据样本集进行预测，并与实际的无量纲侵彻深度测量值进行比较，采用相对偏差进行排序，将误差最高的前5％数据剔除，认为剩下的数据均为正常样本；

步骤2、对异常剔除后的试验数据样本集进行数据标签化；

步骤3、对标签化的试验数据样本集进行K-Means算法聚类，划分出若干参数区间，得到若干区间数据集，并将它们分别划分为训练集和测试集；

步骤4、采用Bagging算法对训练集进行多次采样，得到若干子采样数据集；分别构建多棵决策树作为基分类器，每棵决策树使用一个子采样数据集进行训练；同时将决策树集成起来构成随机森林，将多个算法的优劣评价转化为机器学习范畴中的分类问题，使用多数投票法，得出最终的评价结果。

2.如权利要求1所述的基于随机森林的混凝土侵彻深度经验算法评价方法，其特征在于，步骤2的数据标签化为：

对于一条数据D_i，假定存在m个经验算法待评价，则有算法值矩阵V＝[v₁ v₂ ... v_m]，并可得偏差矩阵B＝[b₁ b₂ ... b_m]，若b₂偏差最低，经过独热编码后，对于数据D_i，其标签为label＝[0 1 0 ... 0]。

3.如权利要求1所述的基于随机森林的混凝土侵彻深度经验算法评价方法，其特征在于，步骤3中，使用K-Means算法时，设k为需要聚簇的个数，在数据集中随机选取k个样本作为聚类中心，并计算各个样本与k个聚类中心的距离，将该样本归到距离最小的聚类中心所在的簇中；然后重新计算簇中心点，并不断重复，直至聚类中心点位置收敛为止。

4.如权利要求1所述的基于随机森林的混凝土侵彻深度经验算法评价方法，其特征在于，步骤3中，K-Means算法中，样本的数据点归属于哪个簇是由类间欧式距离决定；经过聚类后，得到k个簇，从而得到k个参数区间。

5.如权利要求1所述的基于随机森林的混凝土侵彻深度经验算法评价方法，其特征在于，步骤4中，通过对各个参数区间分别构建随机森林集成分类模型，来对区间内的算法进行评价；具体为：

步骤4.1、使用Bootstrap方法，由原始训练集构建k个子训练集{D₁,D₂,...,D_k}；

步骤4.2、为每个子训练集D_i,i∈[1,k]建立一棵决策树分类器，k个子训练集构成k棵决策树分类器{h(X,θ_i),i＝1,2,...,k}，θ_i为随机变量序列，基分类器每次选取划分属性时，先随机选取一个属性子集，再从中选取最佳属性；假定当前节点属性集包括d个属性，从中选取d'个子属性构成属性子集，d'＝1时，每次随机选择一个属性用于划分；d'＝log₂d，其为经验取值；

步骤4.3、将这k棵基决策树分类器集成起来，采用投票法或平均法得到最终结果。