一种基于集成半监督宽度回归系统的水泥抗压强度预估方法及装置

本发明属于水泥抗压强度预估的，具体涉及一种基于集成半监督宽度回归系统的水泥抗压强度预估方法及装置。

背景技术：

1、水泥在建筑行业中起着至关重要的作用，其质量对于确保生产和日常生活的安全至关重要。因此，其质量检测在水泥生产中至关重要。水泥抗压强度是评价水泥质量的关键参数之一，其准确估计在质量检验和建筑行业中对保证结构的完整性和耐久性至关重要。

2、在水泥制造中，水泥抗压强度的检测仍然依赖于传统的、耗时的、破坏性的测量，这需要高水平的技术专长。尽管技术人员可以获得一些准确的数据，但由于技术熟练程度有限，很大一部分数据显示出严重的错误。更糟糕的是，传统的测量方法具有破坏性，当多次测量误差较大或记录不及时时，会导致大量标本没有水泥抗压强度记录。这种情况阻碍了水泥质量的提高和高性能水泥的研究。因此，开发更高效的检测技术是当务之急。

3、智能计算技术，如神经网络，已经为水泥抗压强度的预测提供了高效工具。然而，目前的研究面临着一些挑战。浅层神经网络有限的学习能力将模型推向更深层次的架构，而深度网络引入了大量需要优化的参数，导致大量的时间消耗。为了应对这一挑战，一种高效的基于宽度学习的抗压强度估测系统被提出，同时提高了学习速度和估计效率。

4、尽管检测方法取得了重大进展，但传统方法主要依赖于监督学习技术，这需要大量的标记数据。然而，获取水泥抗压强度值往往具有挑战性。在采集过程中，由于设备故障、人为错误或过滤等原因，部分试样可能没有相应的强度值。例如，在测试过程中，样品可能会损坏或遇到其他问题，导致失败。因此，标记数据仍然很少，而存在相当数量的未标记数据。这对现有的基于机器学习的方法的性能造成了限制。另一方面，由于测试技术人员的水平参差不齐，导致同一配方下的水泥样本的测量抗压强度存在不小的差异，这对模型学习造成了极大的干扰。

技术实现思路

1、本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于集成半监督宽度回归系统的水泥抗压强度预估方法及装置，通过利用标记和未标记数据，利用半监督学习算法有效地解决标记数据的稀缺性问题，并利用未标记数据的潜力来增强水泥抗压强度的估计。

2、为了达到上述目的，本发明采用以下技术方案：

3、第一方面，本发明提供了一种基于集成半监督宽度回归系统的水泥抗压强度预估方法，包括下述步骤：

4、s1、确定水泥抗压强度影响因素并制备对应水泥样品，获取样本数据集；所述样本数据集包括标记数据和无标签数据；

5、s2、初始化多个bls模型：使用现有的少量标记数据训练bls模型，获取多个打标回归模型；

6、s3、利用打标回归模型预测水泥抗压强度值，将水泥抗压强度值赋予无标签数据，获取预标签数据；

7、s4、根据多个打标回归模型的预标签数据进行统计决策，计算预测值的平均值，获取平均预测值，利用设定的阈值筛选平均预测值，并将筛选出的平均预测值作为相应样本的伪标签，得到伪标签数据，其余样本仍为无标签数据；

8、s5、跳回s2，利用选取的伪标签数据和标记数据迭代训练更新打标回归模型，过程重复循环直至满足设定条件，训练终止，获取最终的标记数据集；

9、s6、利用最终的标记数据集训练最终决策bls回归模型；

10、s7、利用训练好的最终决策bls模型对新的水泥样本进行水泥抗压强度预估。

11、作为优选的技术方案，所述制备对应水泥样品，获取样本数据集，具体为：

12、按照确定的水泥抗压强度影响因素对应属性数值制备水泥样品，并在标准养护条件下进行水化反应；

13、按照水泥抗压强度测定方法对水泥样品进行测试记录，如果测试结果符合设定标准的，则将抗压强度作为水泥样本的标签，获取标记数据，否则水泥样品无对应的水泥抗压强度，获取无标签数据。

14、作为优选的技术方案，所述抗压强度值的计算，如下式:

15、

16、其中，表示线性映射函数，ζ(·)表示非线性映射函数，xu表示无标签数据，we表示映射特征，βe表示映射特征连接权重，βh表示增强特征节点连接权重，w表示连接权重。

17、作为优选的技术方案，计算平均预测值和预测值的偏差值，将偏差值和预设的偏差阈值进行比较，将低于偏差阈值的平均预测值记为有效预测；对于某个样本，若多个打标回归模型对该样本进行预测，获取相应的平均预测值，将符合统计概率的平均预测值作为该样本的伪标签。

18、作为优选的技术方案，所述计算平均预测值和预测值s的偏差值，将偏差值和预设的偏差阈值进行比较，如下式：

19、

20、其中，误差阈值∈∈[0,1]，概率阈值δ∈[0.5,1]。

21、作为优选的技术方案，所述伪标签，由下式决定：

22、

23、其中，表示平均预测值，pr()表示筛选函数，δ表示概率阈值。

24、作为优选的技术方案，所述bls模型还包括特征映射节点数和增强节点数；

25、所述利用训练好的bls模型对新的水泥样本进行水泥抗压强度预估，具体为：

26、确定水泥抗压强度影响因素；

27、经过随机映射形成映射特征节点zn≡[z1,z2,…,zn]，其中第i组映射特征zi的计算,每一组特征包含k个映射特征，如下式：

28、

29、其中，xu表示无标签数据，wei和βe1均表示第i组映射特征zi的连接权重，n表示映射节点的总数；

30、将映射特征节点zn进行非线性映射，获取增强特征节点hm≡[h1,h2,…,hm]，其中第j组增强特征hj，如下式：

31、hj≡ζ(znwhj+βhj),j＝1,2,…,m

32、其中，连接权重whj和βhj是随机产生的，ζ(·)为一个非线性激活函数，m表示增强节点的总数；

33、将映射特征zi和增强特征hj合并，形成新的水泥抗压强度识别特征，并连接到模型输出层s。

34、第二方面，本发明还提供了一种基于集成半监督宽度回归系统的水泥抗压强度预估系统，应用于所述的基于集成半监督宽度回归系统的水泥抗压强度预估方法，包括

35、第三方面，本发明提供了一种电子设备，所述电子设备包括：

36、至少一个处理器；以及，

37、与所述至少一个处理器通信连接的存储器；其中，

38、所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的基于集成半监督宽度回归系统的水泥抗压强度预估方法。

39、第四方面，本发明提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现所述的基于集成半监督宽度回归系统的水泥抗压强度预估方法。

40、本发明与现有技术相比，具有如下优点和有益效果：

41、本发明基于机器学习设计高效的非破坏性的检测方法，并引入无标签数据提高预测效果，降低预测误差，更贴合于实际应用场景，避免了数据资源的浪费；同时，本发明采用集成学习技术，使用多个宽度学习回归模型对水泥数据进行投票标注伪标签，避免了水泥抗压强度场景下，不同测试结果直接差异大的问题，能提高模型的预测效果，保证模型的稳定性和鲁棒性。