改正钢纤维实际掺量.docx
一、改正钢纤维实际掺量我认为上周的模型之所以预测结果不准确，可能是因为钢纤维的实际掺量与理论掺量不同引起的，针对这点，我修改了训练数据与预测数据中的钢纤维掺量，用实际掺量代替理论掺量。钢纤维实际掺量见下表。表1钢纤维实际掺量组别设计掺量（V%）实际容重（kgm3）实际体积（m3）实际掺量（V%）1021301.173708920.002123651.0570824520.953223781.0513036161.904324621.0154346062.955323001.0869565222.766222671.1027790031.817123221.0766580530.938021671.1536686660.009121041.1882129280.8410020531.2177301510.0011323691.0552975942.8412222801.0964912281.8213220891.1967448541.6714320891.1967448542.5115020471.2212994630.0016121671.1536686660.87A121981.1373976340.88B222731.0998680161.82C322001.1363636362.64D022131.1296882060.00注：1.表中实际容重为试验称得湿容重。2.实际体积是用假设的容重2500（详见2014328.傅懋渊-第6周-周报告）/实际容重求得，然后用设计掺量/实际体积求得实际掺量。根据上表内容修改输入数据，预测结果标准差为25.8806,预测结果如下:表2预测结果及误差组别ABCD试验结果（MPa）78.979.672.471.8预测结果（MPa）71.046663.172856.777462.0938误差(MPa)-7.8534-16.4272-15.6226-9.7062从上表可看出预测结果仍是不理想。继续探索其原因，建立能较准确预测的模型。二、完善预测模型a）隐含层个数选择首先猜测可能是由于隐含层神经元个数设置不合理引起的。通过查找相关的资料及通过改变隐含层神经元个数，来寻找能准确预测的模型。文献W中指出隐含层个数目前还没有很好的确定方法，一般根据经验确定。网上资料显示可以利用2n+l或sqr（m+n）确定（式中n为输入神经元个数，本模型中为4,即水胶比、砂胶、硅灰掺量、钢纤维掺量，m为输出神经元个数，木模型中为1,即自然养护7d抗压强度，Sqr为开方）。隐含层神经元对模型性能影响大，神经元个数多则收敛速度慢，但是比较容易收敛，不容易发散；神经元个数少则收敛较快，且其泛化性好，即预测较准确，但容易发散。我通过改变隐含层神经元个数，比较其训练及预测结果，选择10个隐含层神经元，预测结果相对较好。其中我尝试了310、15、19、20、21、25、30等隐含层神经个数，综合对比选择10效果较好。b）模型训练与选择我在完善预测模型的过程中发现，相同的模型，其训练结果与预测结果不相同。针对这个问题，我了解到，神经网络在每次训练的过程中，其初始的权值和阙值是不同的，是随机取得的，因此每次训练和预测的结果不同，要经过多次重复的训练，找到一个较好的模型。我通过多次训练比较，找到一个预测结果较好的模型，其输入层与隐含层的权值和阙值见表3,隐含层与输出层的权值和阙值见表4。表3输入层和隐含层的权值和阙值隐含层权值阙值水胶比（W/B）硅灰(SF/C)砂胶比（S/B）钢纤维（V%）1-34.7200-54.9531-5.517011.9336-10.2675215.8118-0.26380.8518-0.2273-2.6147346.192884.733846.792710.2959-89.26914-61.03859.63225.7090-4.378928.97775-119.9662-0.7677-26.018911.198229.5182637.3439-7.29904.11042.21528.3422758.4669-11.9730-7.2848-6.9087-10.73968-28.27447.5577-6.7561-18.5053-8.35679-71.6620-4.1812-4.6809-3.3174734751049.039611.850311.09505.0103-9.0584表4隐含层和输出层的权值和阙值输出层权值阙值12345678910-22.8559-155.472524.722224.0156-19.604911.9485-11.1264-8.6305-17.711719.764639.6642该模型训练976次达到目标均误差(MSE),MSE=4.1532e-23,其预测结果见下表。表5预测结果及误差组别ABCD试验结果(MPa)78.979.672.471.8预测结果(MPa)83.342178.379765.103165.3456误差(MPa)4.4421-1.2203-7.2969-6.4544预测误差标准差为10.7761,预测结果较好。三、参考文献1周品.MATLAB神经网络设计与应用M.北京：清华大学出版社,2013.
