基于对新国标GB/T 41743-2022研究，本文重点就非稳态法快速检测真空玻璃保温性能及其衰减的原理进行阐述，主要从检测方法原理和智能模型原理两方面来进行展开说明，可供参考！
一、检测方法原理
基于瞬态响应，真空玻璃一侧（热端）温度迅速地阶跃上升，同时精确测量另一侧（测量端）较小的较慢的温升，可获得真空玻璃非稳态传热特性(此温升过程在特征时刻的温度变化率与传热系数正相关)。而此温度变化率检测会受到环境温度与温差的影响，所以，通过建立以测量端温度、环境温度与热端温度为输入变量，以传热系数为输出变量的智能模型，可实现真空玻璃保温性能的快速检测与评估。
定期检测真空玻璃的保温性能，传热系数保持不变的时间为保温性能保持时间，从开始衰减的时间到达到分级阈值的时间为保温性能衰减时间，可通过退化幂律模型拟合，以评估保温性能衰减趋势。
二、智能模型原理
通过对训练数据进行回写采样，得到的样本数与原始数据集的样本数一致，有些样本数是重复的；或者对训练数据进行不带回写的抽样，提取60%的原始样本构成数据集，其余作为检验误差的检验集。将提取的样本作为生成的决策树，然后将提取的样本放回原始数据集进行新一轮的提取。
这样，依次生成的多个决策树就构成了一个随机森林。若采用随机森林分类，则每棵决策树的计算原则为基尼指数。基尼指数是随机抽取的样本被错误分类的一种概率。基尼指数越低，样品被错误分类的概率就越低，这意味着样品的纯度越高，样本集更高。基尼指数很高，就意味着样本集的纯度很低。
基尼指数等于样本被选中的概率乘以样本被分类错误的概率，其中，P是样本属于k类的概率，(1-P1)是样本不属于k类的概率，即分类错误的概率。对于回归问题，原则是最小均方误差。通过对数据集进行随机分割，得到均方误差最小的数据集的分割点。
随机森林为每组重采样数据集训练一个较优模型，共k个模型。令X；为随机可放回抽样的子数据集的N维变量，根据可返回采样并使用相同模型的子数据集的相似性，每个模型具有近似相等的偏差和方差，模型的分布也大致相同，但不是独立的（因为子数据集之间存在重复变量）。基于集成学习的套袋方法，可从该方法的角度分析随机森林的偏差和方差，计算方法见式（A.3）。
式（A.4)和式（A.5)分别表示模型完全相同和模型完全独立的两种情况。结论是，套袋方法的子数据集既不完全相同，也不完全独立，子数据集之间存在相似性，方差值介于两种情况之间，可用公式法分析袋装模型的方差，见式（A.6）～式（A.9）。
因此，随机森林的主要功能是降低模型的复杂度，解决过拟合问题。
上一篇：声波透射法的基本原理
449717568