[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

说明书

本发明公开一种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，包括：对采集的试验数据样本集剔除异常数据；对异常剔除后的试验数据样本集进行数据标签化；对标签化的试验数据样本集进行K‑Means算法聚类，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；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；同时将它们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，使用相对多数投票法，得出最终的评价结果。本发明技术方案，集成若干弱分类器进行决策，提高模型的精度。

技术领域

本发明属于信息技术领域，具体涉及一种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。

背景技术

随着近年来对于侵彻效应研究的深入，各国的研究人员总结出了多个用于侵彻深度预测的经验算法，如Forrestal、BRL、Young等。这些经验算法与建立算法试验数据呈强相关关系，这在一定程度上限制了它们的泛用性。由于侵彻问题是非常复杂的物理过程，依靠现有的理论分析和数值模拟方法难以准确地揭示实际情况，因此在实际工程中，经验算法仍然占据重要地位。

但早期的侵彻经验算法都是通过大量试验得到的，各个算法均在其试验数据分析的基础上进行实弹试验，由于试验数据、研究方法不同和侧重点不同，各个经验算法之间往往存在较大的差别。即所有的经验或半经验算法都具有一定局限性，各自的适用范围和条件都有差异。

各个算法的适用范围受到多种因素影响，如算法开发过程中使用的试验数据分布和算法考虑的参数等。在使用中，算法的评价往往与使用者的经验有关。不同的使用者收集到的数据可能存在较大差异，这也导致了他们在使用这些算法的过程中，算法的性能表现迥异。因此，如何对众多经验算法进行评价成为亟待解决的问题。

发明内容

本发明要解决的技术问题是，提供一种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，集成了若干弱分类器进行决策，提高了模型的精度。

实现上述目的，本发明采用如下的技术方案：

一种基于随机森林的混凝土侵彻深度经验算法评价方法，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；

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，使用相对多数投票法，得出最终的评价结果。

作为优选，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。

作为优选，步骤2的数据标签化为：