论文部分内容阅读
随着工业的发展,人们对水泥及水泥基材料的性能有了更高的要求,而强度是评价水泥及其基材料性能的重要标准。作为一种重要的水泥基材料,混凝土的强度在一定程度上受到水泥水化过程和水泥强度的影响。传统的混凝土强度测试方法是将样本在标准养护条件下养护28天后按规定方法测得强度,这种传统方法需要耗费大量的原料,成本高而且耗时长。随着计算机软硬件的发展和计算材料学的兴起,人们开始尝试使用计算机来快速解决材料领域的相关问题。随着数字图像处理技术的发展,人们尝试使用计算机实现复杂水泥水化过程的可视化,其中图像是计算机模拟水泥水化过程的重要研究内容。本论文主要的研究内容是神经网络分类方法,并用其解决水泥及其基材料的分类问题。论文首先研究了现有的神经网络分类方法,其中主要是对FCM神经网络分类方法进行研究和改进,然后使用现有的几种神经网络分类方法和基于DBSCAN改进的FCM神经网络分类器完成水泥基材料混凝土强度和水泥水化图像分类任务。论文的主要研究内容如下:(1)原有的FCM神经网络分类器在分区空间采用K-Means算法得到染色的分区空间,而K-Means算法对离群点敏感这一缺点会影响到染色的分区空间的精确性。因此我们提出了使用K-medoids算法改进FCM神经网络分类器的方法来削弱分区空间中的离群点对分类准确性的影响。同时我们选择了几个常用数据集来验证改进方法的性能,实验结果表明基于K-medoids改进的FCM方法可以在一定程度上提高分类性能。(2)考虑到分区空间中分区的形状对分类器的分类性能有影响,我们提出了使用DBSCAN算法来改进原有FCM分类器的方法。我们使用DBSCAN算法在分区空间中对染色点进行划分得到形状任意的染色的分区。在这种改进的方法中没有质心的概念,我们定义了新的优化目标函数并且调用PSO算法优化神经网络的各个参数来得到最优的分类模型。另外,由于在聚簇形成过程中使用基于密度的DBSCAN算法代替基于划分的K-Means,我们分别记录了实验中原有的FCM方法和基于DBSCAN改进的FCM方法训练过程的运行时间。实验结果表明基于DBSCAN改进的FCM方法运行时间较短,进一步从时间角度验证了改进的FCM神经网络分类器的可行性。(3)使用现有的几种神经网络分类方法和基于DBSCAN改进的FCM神经网络分类方法对混凝土强度和水泥水化图像进行分类实验。在实验过程中我们记录了十折交叉验证的测试精度和平均F-measure值。实验结果表明使用神经网络分类器来处理硅酸盐水泥及水泥基材料的相关问题是可行的,同时也进一步验证了我们提出的基于DBSCAN聚类的FCM神经网络分类方法对于相关实验数据具有较好的性能。