混凝土28天强度预测在实际工程生产中具有十分重要的意义,是一个典型的多变量,非线性系统。传统的预测方法准确性较差,难以在实际中被普遍推广应用。近几年有些人将人工智能算法,如人工神经网络应用到了混凝土强度预测方面,取得了较为理想的效果,目前用于混凝土强度预测较为广泛的有两种神经网络模型,即神经网络直接预测模型和基于统计的神经网络预测模型。 神经网络直接预测模型缺少对样本试验数据的前期预处理,存在一定的局限性。基于统计的神经网络预测模型具有如下缺陷:其一,当原始样本数据之间的相关性不大时,主成分分析方法不能有效压缩数据的维数,网络结构不能得到有效简化;其二,主成分分析方法是一种线性算法,只能提取数据中的线性特征,而不能提取其非线性特征,隐藏在数据间的更多统计信息未得到利用,造成原始数据信息的丢失,影响网络模型的预测精度。 本文应用基于神经网络的非线性主成分分析方法对原始样本数据进行预处理,将其与神经网络结合起来建立混凝土强度预测模型。非线性主成分分析方法是一种改进的主成分分析方法,能够更好的提取原始数据中的线性及非线性特征。目前应用最广泛的非线性主成分分析网络模型是一种五层神经网络模型,具有如下缺陷:其一,网络结构复杂,训练时间长;其二,需要大量的训练样本,当训练样本较少且有噪声时,不能很好的训练网络,网络泛化能力差;其三,当映射层的神经元数目取不同值时,所提取的主成分不唯一。本文提出一种简化的网络模型,减轻了上述问题出现的可能性。另外,由于标准BP算法收敛速度缓慢,本文提出一种收敛速度更快的改进BP算法,仿真实例表明其收敛速度较自适应附加动量项算法提高了近1倍,文章中均应用改进的BP算法训练网络。需要特别指出的是,通过对样本数据预处理方法的改进,本文对不同瓶颈层神经元数目所建立的混凝土强度预测模型的收敛时间均在20秒以内,平均预测误差均小于5%,其性能比其它两种预测模型均有明显改进,得到了一种结构更加简单,收敛速度更快,预测更加精确的网络模型。