本发明专利技术涉及水泥强度技术领域,提供了一种基于隐变量模型的水泥强度条件概率分布估计方法及系统
【技术实现步骤摘要】
基于隐变量模型的水泥强度条件概率分布估计方法及系统
[0001]本专利技术涉及水泥强度
,尤其涉及一种基于隐变量模型的水泥强度条件概率分布估计方法及系统
。
技术介绍
[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术
。
[0003]在现有技术中,一些方法已经提出用于水泥强度预测,其中包括传统数理统计模型以及基于机器学习的技术
。
[0004](1)统计模型基于历史数据和经验规律,通过建立数学模型来推断水泥强度
。
然而,这些方法往往依赖于简化的假设和统计关系,对于水泥这种复杂的体系而言具有一定的局限性
。
[0005](2)近年来机器学习技术获得了显著的进展,广泛应用于各行各业中
。
这些方法通过对大量实验数据进行数据挖掘,建立起模型用于估计目标变量
。
常用的机器学习算法包括基因表达式编程
、
支持向量机
、
模糊逻辑预测和人工神经网络
。
这些方法能够处理相对较大的数据量并能够挖掘数据中蕴含的复杂的非线性关系,进而能够提高水泥强度预测的准确性
。
[0006]然而,现有的水泥强度预测方法存在一些局限性
。
[0007](1)现有方法聚焦于预测单个强度的值,即现有的方法只能预测出一个水泥强度的值,然而由于水泥水化反应体系的不确定性,现有的方法很难准确预测水泥的强度
。
[0008](2)现有的方法依赖水泥的实验室化学物理分析数据,而这些试验需要较多时间,这意味着无法在水泥生产过程中实时预测水泥强度
。
技术实现思路
[0009]为了解决现有技术无法实时预测水泥强度以及无法在不确定性条件下进行水泥强度估计的技术问题,本专利技术提供一种基于隐变量模型的水泥强度条件概率分布估计方法及系统,本专利技术面向水泥物理化学分析数据或颗粒粒径分布及用于检测的仪器相关数据,用以估计水泥抗压强度,本专利技术使用的数据可以实时获取,从而能够实时预测水泥抗压强度,且本专利技术得到的不是单一的水泥强度值,而是水泥抗压强度所有的可能性及其概率,从而实现了实时地对水泥强度的概率分布进行估计
。
[0010]为了实现上述目的,本专利技术采用如下技术方案:本专利技术的第一个方面提供一种基于隐变量模型的水泥强度条件概率分布估计方法
。
[0011]一种基于隐变量模型的水泥强度条件概率分布估计方法,包括:获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;
隐变量模型的训练过程包括:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据
、
水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型
。
[0012]进一步地,所述隐变量模型包括顺序连接的特征提取器
、
变分层校准器和条件概率密度估计器,所述特征提取器用于提取水泥颗粒粒径分布的特征和检测仪器的工作参数的特征;所述变分层校准器用于将水泥颗粒粒径分布的特征和检测仪器的工作参数的特征映射为向量;所述条件概率密度估计器用于根据所述向量,映射出水泥抗压强度的条件概率分布
。
[0013]更进一步地,所述特征提取器包括用于提取水泥颗粒粒径分布和仪器的工作参数的神经网络,所述特征提取器的架构采用全连接神经网络
、
卷积神经网络任选一种或使用二者的结合
。
[0014]更进一步地,所述变分层校准器包括并列的第一全连接层
、
第二全连接层和融合层;在隐变量模型训练时,通过第一全连接层输出,第二全连接层输出计算公式为,融合层通过计算特征向量,其中,是原始数据项,是一个服从正态分布的随机数;在隐变量模型推理时,通过公式计算特征向量
。
[0015]更进一步地,所述条件概率密度估计器包括
N
个并列的
K
维神经网络;所述条件概率密度估计器的架构采用全连接神经网络
、
卷积神经网络任选一种或使用二者的结合
。
[0016]更进一步地,当
N
为1时,所述条件概率密度估计器直接输出的是水泥强度的概率密度,其计算公式为,
z
是变分层校准器计算得到的特征向量,表示该条件概率密度估计器学习到的映射关系,是水泥强度的概率密度;当
N
大于1时,所述条件概率密度估计器包括两类,第一类神经网络输出概率密度函数的权重,第二类神经网络输出概率密度函数的
N
‑1类参数;所述第一类神经网络的结构采用全连接神经网络
、
卷积神经网络任选一种或使用二者的结合,第一类神经网络的输出是表示权重的向量,且必须满足;第二类神经网络的结构采用全连接神经网络
、
卷积神经网络任选一种或使用二者的结合,其输出是
N
‑1类待混合概率密度函数的参数,记作矩阵,矩阵中每一个元素表示第
i
类参数的第
j
项,每一类参数为
K
个,则水泥强度的概率密度计算公式为
。
[0017]进一步地,所述水泥颗粒粒径分布通过筛分法
、
沉降法
、
显微镜法
、
电感计数法或光散射法获得
。
[0018]本专利技术的第二个方面提供一种基于隐变量模型的水泥强度条件概率分布估计系统
。
[0019]一种基于隐变量模型的水泥强度条件概率分布估计系统,包括:输出模块,其被配置为:获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;
隐变量模型训练模块,其被配置为:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据
、
水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型
。
[0020]本专利技术的第三个方面提供一种计算机可读存储介质
。
[0021]一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于隐变量模型的水泥强度条件概率分布估计方法中的步骤
。
[0022]本专利技术的第四个方面提供一种计算机设备
。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
基于隐变量模型的水泥强度条件概率分布估计方法,其特征在于,包括:获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;隐变量模型的训练过程包括:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据
、
水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型
。2.
根据权利要求1所述的基于隐变量模型的水泥强度条件概率分布估计方法,其特征在于,所述隐变量模型包括顺序连接的特征提取器
、
变分层校准器和条件概率密度估计器,所述特征提取器用于提取水泥颗粒粒径分布的特征和检测仪器的工作参数的特征;所述变分层校准器用于将水泥颗粒粒径分布的特征和检测仪器的工作参数的特征映射为向量;所述条件概率密度估计器用于根据所述向量,映射出水泥抗压强度的条件概率分布
。3.
根据权利要求2所述的基于隐变量模型的水泥强度条件概率分布估计方法,其特征在于,所述特征提取器包括用于提取水泥颗粒粒径分布和仪器的工作参数的神经网络,所述特征提取器的架构采用全连接神经网络
、
卷积神经网络任选一种或使用二者的结合
。4.
根据权利要求2所述的基于隐变量模型的水泥强度条件概率分布估计方法,其特征在于,所述变分层校准器包括并列的第一全连接层
、
第二全连接层和融合层;在隐变量模型训练时,通过第一全连接层输出,第二全连接层输出计算公式为,融合层通过计算特征向量,其中,是原始数据项,是一个服从正态分布的随机数;在隐变量模型推理时,通过公式计算特征向
。5.
根据权利要求2所述的基于隐变量模型的水泥强度条件概率分布估计方法,其特征在于,所述条件概率密度估计器包括
N
个并列的
K
维神经网络;所述条件概率密度估计器的架构采用全连接神经网络
、
卷积神经网络任选一种或使用二者的结合
。6.
根据权利要求5所述的基于隐变量模型的水泥强度条件概率分布估计方法,其特征在于,当
N
为1时,所述条件概率密度估计器直接输出的是水泥强度的概率密度,其计算公式为...
【专利技术属性】
技术研发人员:王琳,邢择正,吴旭,杨波,王栋,
申请(专利权)人:济南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。