应用提升回归树研究碳钢的土壤腐蚀规律

以碳钢土壤腐蚀数据为对象,建立腐蚀率模型,对该材料的自然环境腐蚀规律进行研究。提出一种基于提升回归树(boosted regression trees)算法的新方法,针对实验数据小样本情况下的参数选取问题,采用ε不敏感损失函数、动态收缩系数对原算法进行改进。与神经网络、支撑向量回归(SVR)等多个典型算法进行对比研究。仿真数据和实验数据验证表明:改进的提升回归树算法对于数据的高维度、缺失值、高噪声等问题具有较好的鲁棒性,适合小样本数据的处理。利用该算法建立的模型能够准确的描述和预测碳钢在土壤中的腐蚀率,还可用于对腐蚀影响因素及因素间交互作用进行探索性分析。     

一种面向纵向数据的RE-BET算法及应用

混合效应模型是分析纵向数据的有效方法,但模型的线性结构限制了其适应现实数据的能力。提出了一种RE-BET算法及其变形的RE-BEBT算法,采用树形方法估计混合效应模型的固定效应,可以自动选择重要变量,能更好地发现和描述变量间关系;采用基于Dirichlet过程先验的贝叶斯方法估计混合效应模型的随机效应,使模型可以适用于小样本数据。以低合金钢和碳钢的海水腐蚀数据为例,通过与实验数据和其他算法的计算结果对比分析,验证了RE-BET算法可行性和有效性。     

基于Lasso方法的碳钢土壤腐蚀率预报研究

提出了一种基于Lasso的step adaptive Lasso with Pls(SALP)方法,采用Bayesian Bootstrap算法重构样本,通过多模型集成对变量进行预选,以消除数据扰动和离群点对于模型性能的影响。应用偏最小二乘权重系数改善Lasso方法在处理小样本数据时的参数估计不准确问题。采用碳钢在土壤中的腐蚀数据为研究对象,建立了腐蚀率模型。实验证明:SALP方法建立的模型可以准确地拟合和预测土壤中的碳钢腐蚀率变化。该方法适用于自然环境中材料腐蚀率的预测及类似研究领域。