Page 222 - 《爆炸与冲击》2026年第5期

第 46 卷 赵春风，等： 基于XGBoost的PC板爆炸损伤评估模型 第 5 期

True Precision True Precision

13 0 0 0 100.00% 23 0 0 0 100.00%

1 3 0 0 75.00% 1 7 0 0 87.50%

Predicted 8 5 1 0 7.14% Predicted 0 2 31 1 91.18%

1 1 33 54 60.67% 0 0 4 53 92.98%

Recall 56.52% 33.33% 2.94% 100.00% 59.17% Recall 95.83% 77.78% 88.57% 98.11% 95.00%

Minor Medium Severe Failure Accuracy Minor Medium Severe Failure Accuracy
(a) Confusion matrix based on criterion Ⅰ (b) Confusion matrix based on criterion Ⅱ
True Precision

13 0 0 0 100.00%

4 6 1 0 54.55%

Predicted 6 3 31 15 56.36%

0 0 2 39 95.12%

Recall 56.52% 66.67% 91.18% 72.22% 74.17%

Minor Medium Severe Failure Accuracy
(c) Confusion matrix based on criterion Ⅲ
图 9 基于 3 种损伤评估准则的混淆矩阵
Fig. 9 Confusion matrix based on three damage criteria
4.4 损伤程度分类的简化模型
本文中基于 XGBoost 的损伤分类模型中的最大位移与支座转角需要进行换算，为提高计算效率，将
其优化为简化模型，能够直接对 PC 板的损伤情况进行分类预测，并且引入 SMOTE（synthetic minority
oversampling technique）算法和粒子群优化（particle swarm optimization, PSO）算法来解决数据集的类别分
布不均衡问题。
SMOTE 作为一种有效的样本均衡化技术，主要通过合成新的少数类样本来增加少数类样本的数
量，从而达到平衡训练集中的类别分布、改善模型对少数类识别能力的目的，如图 10(a) 所示。
PSO 是一种模拟鸟群觅食行为的优化算法，其参数少并对非线性、多峰值问题具有较强的全局搜索
能力，通过模拟个体（粒子）在解空间中寻找最优解的过程，在全局优化问题中取得了良好的应用效果，
如图 10(b) 所示。其速度与位置的更新公式如下：
v i (t +1) = ωv i (t)+c 1 r 1 (p best,i − x i (t))+c 2 r 2 (g best − x i (t)) (14)

x i (t +1) = x i (t)+v i (t +1) (15)
式中：v (t) 为粒子 i 的速度；x (t) 为粒子 i 当前的位置；p best, i 为粒子 i 的个体历史最佳位置；g bes t 为所有粒子
i
i
中的全局最佳位置；ω 为惯性权重，控制粒子搜索的速度；c 和 1 c 为加速常数，分别控制个体和全局的影
2

051443-11