一种基于区间置信规则库的混凝土力学性能预测方法

本发明涉及人工智能，尤其涉及一种基于区间置信规则库的混凝土力学性能预测方法。

背景技术：

1、再生砖骨料混凝土的力学性能预测是建筑结构安全评估的关键环节，现有预测方法主要包括传统机器学习模型（如多层感知机mlp、lightgbm等）以及可解释性规则推理模型（如rin、ifrscn、fbdt等）。然而，这些方法在实际应用中存在以下缺陷：

2、mlp在小样本数据集上易出现过拟合，且其黑盒特性导致决策过程不可解释，无法满足工程场景对可靠性与可追溯性的要求。lightgbm作为集成树模型，推理逻辑同样不可追溯，研究人员无法知晓其判断力学性能良好的核心依据，限制了在高风险工程场景中的应用。rin、fbdt等规则模型虽然决策逻辑清晰，但在处理复杂非线性关系时预测精度难以突破。ifrscn模型存在规则库冗余度较高的问题，适配工程实际场景的效率不足。现有规则推理模型在构建参考区间时，常依赖专家经验或采用均匀划分方式，导致参考区间与数据实际密度分布不匹配，易产生规则匹配偏差。在计算匹配度时，传统方法仅基于输入值与区间端点的线性距离，使得位于高密度区的样本匹配度反而低于靠近边界的样本，规则激活的合理性较差。上述缺陷导致现有方法对混凝土力学性能的预测准确性低、鲁棒性差，难以满足工程应用需求。

技术实现思路

1、本技术通过提供一种基于区间置信规则库的混凝土力学性能预测方法，解决了现有技术中混凝土力学性能预测方法存在的预测准确性低、可解释性差、参考区间划分依赖专家经验或均匀划分导致与数据密度分布不匹配、以及匹配度计算与数据分布规律相悖导致规则激活不合理的问题，实现了参考区间与数据实际密度分布的自适应匹配、高密度区样本获得更高匹配权重、规则前件与后件联合优化、预测精度与鲁棒性显著提升，同时保持规则推理过程可解释的技术效果。

2、本技术提供了一种基于区间置信规则库的混凝土力学性能预测方法，包括：

3、s1：获取混凝土样本集，所述样本集的每个样本包含若干个前件属性和一个输出结果，并对前件属性进行归一化处理，所述输出结果为混凝土的抗压强度类别；

4、s2：基于集成层次聚类方法，根据归一化后前件属性值的数据密度分布，生成每个前件属性的参考区间；

5、s3：根据各属性生成的参考区间，采用全组合方式构建初始区间置信规则库；其中每条规则设置有规则权重和后件置信度，每个前件属性设置有属性权重；对于输入样本，计算每个属性值相对于规则中参考区间的可信匹配度，并基于属性权重计算每条规则的聚合匹配度与激活权重，采用证据推理算法合成输出类别的置信度；

6、s4：输入待预测样本至区间置信规则库，通过可信匹配度计算、规则激活权重分配与证据推理合成，得到混凝土力学性能的预测结果。

7、进一步地，所述前件属性包括再生砖骨料混凝土的胶水比、表面密度、吸水率、压碎值和代替率；

8、所述输出结果为混凝土的抗压强度类别，根据实验测得的抗压强度划分为力学性能良好和力学性能差两类。

9、进一步地，所述生成每个前件属性的参考区间包括：从归一化后的样本集中随机抽取若干数据子集，分别采用若干种距离度量方法进行层次聚类，得到多个初始基划分；将所有基划分映射到完整样本集，采用kappa系数计算每两个基划分之间的一致性，并计算每个基划分与其他所有基划分的kappa系数平均值，以系数平均值的补数作为多样性得分，选取得分靠前的预设比例的基划分作为优质基划分；对筛选出的基划分中的每个簇，采用f1值评估簇质量，将f1值归一化为权重，对相同类别的簇中心进行加权平均，得到集成后的最终聚类中心；将聚类中心按数值从小到大排序，以相邻聚类中心的中点作为参考区间的边界，并结合属性参考区间的最小值和最大值，生成每个前件属性的参考区间集合。

10、进一步地，所述聚类中心的计算公式为：

11、，

12、其中，为第类最终集成后的聚类中心，为第个优质基划分中，属于第类的簇中心；为该簇中心所对应的簇质量权重；为对所有优质基划分中属于第类的簇中心进行加权求和，为所有权重的总和。

13、进一步地，所述可信匹配度的计算方式为：设输入样本的第i个前件属性值为，该属性的参考区间集合为，其中，为该属性的参考区间总数。

14、若落入第个参考区间，即，则定义该区间的中点，并计算可信度参数：

15、，

16、其中，为输入值相对于第个参考区间的可信度参数，为第i个属性第j个参考区间的中点，为输入样本的第i个属性值，为参考区间的半宽度；

17、输入属性值相对于第个参考区间的可信匹配度为：

18、，

19、其中，为输入值相对于第个参考区间的可信匹配度，为线性插值因子；

20、相对于第个参考区间的可信匹配度为：

21、，

22、若落入第个参考区间，则其匹配度仅分配给相邻的第个和第个区间，其他参考区间的匹配度为0。若超出该属性的整体参考区间范围，则该属性对所有规则的匹配度均为0。

23、进一步地，所述聚合匹配度的计算公式为：

24、，

25、其中，为第k条规则的聚合匹配度，为前件属性的总个数，为输入样本的第i个属性与第k条规则中第i个参考区间的个体匹配度，为第i个属性的权重，，为第i个前件属性的原始权重，为所有m个属性中最大的原始权重值。

26、进一步地，所述规则激活权重的计算公式为：

27、，

28、其中，为第条规则的激活权重，所有规则的激活权重之和为1；为第条规则的规则权重；为条规则的聚合匹配度；为规则总数，为所有规则的求和。

29、进一步地，所述证据推理算法合成输出类别的置信度时，将所有规则的激活权重和后件置信度进行递归合成，得到每个输出类别的最终置信度，并选择置信度最高的类别作为预测结果。

30、进一步地，所述方法还包括模型参数联合优化：采用均方误差作为损失函数：

31、，

32、其中，为单个训练样本的损失值；为样本在第个输出类别上的真实置信度，输出结果共两个类别，代表力学性能良好，代表力学性能差；为模型推理输出的第n个类别的预测置信度，为对两个类别分别计算预测值与真实值的差平方求和，为缩放因子；

33、采用梯度下降算法迭代更新规则权重、属性权重、后件置信度以及前件聚合匹配度：

34、，

35、其中，为模型中的任一个可优化参数，为单个训练样本的损失值，为损失函数对参数的偏导数，为学习率；

36、重复迭代直至损失值收敛或达到最大迭代次数，保存优化后的规则库参数。

37、进一步地，所述梯度下降算法中，通过链式法则计算损失函数对各参数的偏导数，其中对聚合匹配度的偏导数为：

38、，

39、其中，为损失函数对第条规则的聚合匹配度的偏导数，为损失函数对第n个输出类别置信度的偏导数，为输出置信度对第k条规则的激活权重的偏导数，为激活权重对聚合匹配度的偏导数；表示损失函数同时依赖于两个输出类别和，需要将两个类别的梯度贡献相加得到完整的。

40、本技术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：

41、1、提出现有技术的核心缺陷及其原因：

42、现有规则推理模型在构建参考区间时，常依赖专家经验或采用均匀划分方式，导致参考区间与数据实际密度分布不匹配，易产生规则匹配偏差；在计算匹配度时，传统方法仅基于输入值与区间端点的线性距离，使得位于高密度区的样本匹配度反而低于靠近边界的样本，规则激活的合理性较差。

43、2、提出新的技术路径：

44、本技术提出一种基于区间置信规则库的混凝土力学性能预测方法。获取混凝土样本集，对前件属性进行归一化处理；基于集成层次聚类方法，根据归一化后前件属性值的数据密度分布，生成每个前件属性的参考区间；根据各属性生成的参考区间，采用全组合方式构建初始区间置信规则库；计算每个属性值相对于规则中参考区间的可信匹配度，并基于属性权重计算每条规则的聚合匹配度与激活权重，采用证据推理算法合成输出类别的置信度；输入待预测样本，通过可信匹配度计算、规则激活权重分配与证据推理合成，得到混凝土力学性能的预测结果。采用均方误差作为损失函数，利用梯度下降算法对规则权重、属性权重、后件置信度以及前件聚合匹配度进行联合优化。

45、3、克服新路径技术障碍：

46、为克服参考区间划分依赖专家经验或均匀划分导致与数据密度分布不匹配的问题，本技术采用基于数据密度分布的集成层次聚类方法自动划分参考区间：通过随机抽样构建多数据子集、多种距离度量层次聚类生成基划分，利用kappa系数筛选优质基划分、f1值加权集成聚类中心，并以相邻聚类中心的中点作为区间边界，实现了参考区间与数据实际密度分布的自适应匹配，避免了主观性与不适应性。为克服传统匹配度计算与数据分布规律相悖导致规则激活不合理的问题，引入区间匹配度可信匹配度，定义输入值相对于参考区间中点的可信度，并构建可信匹配度，使落入高密度区的样本获得更高的匹配权重，修正了传统匹配度计算的偏差。为提升模型整体推理精度，将前件聚合匹配度作为可训练参数，与规则权重、属性权重、后件置信度一同纳入梯度下降优化框架，实现了规则前件与后件的联合优化。

47、4、给出最优解：

48、本技术通过集成层次聚类方法自动生成与数据密度分布匹配的参考区间，使区间内部密度高、边界密度低；通过引入可信匹配度参数，使高密度区样本获得更高匹配权重，提升规则激活合理性；通过梯度下降联合优化规则权重、属性权重、后件置信度及前件聚合匹配度，进一步增强模型推理精度与鲁棒性；采用证据推理算法合成输出类别置信度，保持规则推理过程的可解释性。克服了现有混凝土力学性能预测方法中预测准确性低、可解释性差、参考区间划分与数据密度分布不匹配、匹配度计算与分布规律相悖导致规则激活不合理的技术难题，实现了参考区间自适应匹配、高密度区样本获得更高匹配权重、规则前件与后件联合优化、预测精度与鲁棒性显著提升，同时保持规则推理过程可解释的技术效果。