项目实战--针对318组散点数据拟合，探索压实度（Evd）与压实计值（CMV）之间的关系

本文链接：https://blog.youkuaiyun.com/RedDevil_7/article/details/135539672

本文详细研究了通过傅里叶变换和SVM技术分析道路工程中压实度与压实计值的关联，展示了多项模型比较及高斯SVM模型在实际应用中的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

项目场景：

提示：这里简述项目相关背景：

压实度（Evd）是指土体在压实作用下的密实程度，是衡量路基工程质量的重要指标之一。压实计值（CMV）是一种基于电磁波原理的无损检测方法，可以实时反映路基压实情况。压实度（Evd）与压实计值（CMV）之间的关系是影响路基质量控制的关键因素，但目前还没有形成统一的理论和方法。

问题描述

提示：这里描述项目中遇到的问题：

本文基于已采样的318组数据，经过傅里叶变换进行频域分析得到其对应的压实计值（CMV）。针对这318组离散数据，作者采用了多项式回归、非线性回归、非负最小二乘法（NNLS）、基于高斯核函数的SVM模型等多种回归模型来拟合。

为了评估模型准确性，我以误差平方和的平方根（RMSE）为标准计算各个模型的值。最终，表现最好的是一个SVM模型——GSVM。它是以采用高斯核函数的支持向量机为预训练模型，经过233轮迭代训练得到的。该模型的误差值相对较小，在一定程度上能反映压实计值与压实度（Evd）二者之间的关系。

数据分析：

提示：这里填写问题的分析：

文利用采集到的318组数据，每个文件中各个数据采样间隔为1s，长度大多数为1024.存放数据的每个文本文件名为采样地点的压实度（Evd）

傅里叶频域分析

傅里叶频域分析是一种数学方法，用于将一个信号分解为不同频率的正弦波和余弦波的组合。这种分析可以帮助我们了解信号的特征，如频率、幅度、相位等。本文使用python3里numpy库中的’.fft’函数对所有318个文件中的数据分别进行傅里叶变换，并存于新的文本文件中

计算压实计值（CMV）

将上述得到的处理过的数据依照如下公式计算压实计值，即可得到CMV：

$CMV=\frac{A_{2\Omega}}{A_{\Omega}}$


# 导入模块
import os
import numpy as np

# 定义文件夹路径和输出文件路径
folder = "data" # 你的文件夹路径
output = "result2.txt" # 你的输出文件路径

# 获取文件夹中所有文件的列表
files = os.listdir(folder) # 返回一个列表，包含文件夹中所有文件的名称

# 打开输出文件
with open(output, "w") as out: # 以写的方式打开输出文件
    # 遍历文件列表
    for file in files: # 对每个文件
        # 拼接文件的完整路径
        path = os.path.join(folder, file) # 使用os.path.join函数，将文件夹路径和文件名称拼接成完整的文件路径
        # 读取文件内容
        data = np.loadtxt(path) # 使用numpy的loadtxt函数，将文件中的数据转换为数组
        # 进行傅里叶变换
        y = np.fft.fft(data) # 使用numpy的fft函数，进行傅里叶变换
        # 计算幅度谱
        L = len(data)  # 信号长度
        P = 2 * np.abs(y) / L  # 使用numpy的abs函数，计算幅度谱
        # 定义采样频率和信号长度
        Fs = 1024 # 采样频率，根据你的实际情况修改

        # 计算基频和二次谐波分量的频率
        f0 = Fs / L # 基频
        P_1max = np.max(P)  # 基频最大值
        A_1 = np.argmax(P)  # 基频的序号
        A_11 = 2 * A_1
        t1 = A_11 - 10
        t2 = A_11 + 10
        P_2 = P[t1:t2]  # 二次频率的域
        if len(P_2) > 0:

         P_2max = np.max(P_2)  # 二次频幅值
         A_2 = np.argmax(P_2) + t1  # 二次频幅值的序号

        C = 100
        CMV = C * P_2max /P_1max
        # out.write(file + "\n") # 写入文件名
        out.write( str(CMV) + "\n") # 写入基频的幅值
        # out.write("\n") # 换行

读取Evd值

使用os库读取所有文本文件名，并生成文本文件。为了不引起歧义，在读取时，将‘xxx（2）’此类文件替换为‘xxx0’，这样做并不影响后续计算中的数值大小。通过上述步骤，我们就得到了318组代表X的CMV值和代表Y的Evd值。

# 导入os模块，用于操作文件和目录
import os
# 指定文件夹的路径，例如'C:\\test'
folder = 'F:\BENKE\JIANZAO\CMA\data'
output = "name.txt"
# 创建一个空列表，用于存储文件名
names = []
# 遍历文件夹中的所有文件
for file in os.listdir(folder):
    # 判断文件是否是txt文件
    if file.endswith('.txt'):
        # 去掉文件的后缀名
        name = os.path.splitext(file)[0]
        # 将文件名添加到列表中
        names.append(name)
# 打开一个新的txt文件，用于写入文件名，例如'name.txt'
with open('name.txt', 'w') as f:
    # 遍历列表中的文件名
    for name in names:
        # 将文件名写入txt文件，并换行
        f.write(name + '\n')