木材干燥過程的Elman神經(jīng)網(wǎng)絡(luò)模型研究

姜 濱， 孫麗萍， 曹 軍， 季仲致

(東北林業(yè)大學機電工程學院，黑龍江哈爾濱 150040)

提高木材干燥過程的控制水平，實現(xiàn)真正意義上的全自動控制是木材干燥行業(yè)迫切關(guān)心的問題[1]。根據(jù)其物理化學特性，木材干燥過程有其特有的復雜性，是一個強耦合非線性動力系統(tǒng)，因而很難建立理想的木材干燥模型[2]。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)，通常簡稱為神經(jīng)網(wǎng)絡(luò)，是一種在生物神經(jīng)網(wǎng)絡(luò)的啟示下建立的數(shù)據(jù)處理模型[3]。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元相互連接進行計算，根據(jù)外界的信息改變自身的結(jié)構(gòu)，主要通過調(diào)整神經(jīng)元之間的權(quán)值來對輸入的數(shù)據(jù)進行建模，最終具備解決實際問題的能力。神經(jīng)網(wǎng)絡(luò)分為前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)2種，Elman神經(jīng)網(wǎng)絡(luò)屬于反饋神經(jīng)網(wǎng)絡(luò)，具有比前向神經(jīng)網(wǎng)絡(luò)更強的計算能力，其突出的優(yōu)點是具有很強的聯(lián)想記憶和優(yōu)化計算功能[4]。

針對木材干燥過程的特點，該研究提出基于Elman神經(jīng)網(wǎng)絡(luò)理論建立的木材干燥過程模型。該模型通過木材干燥過程材堆的溫度、濕度以及木材含水率數(shù)值建立模型，并通過實際數(shù)據(jù)對模型的準確度進行驗證。仿真結(jié)果表明Elman神經(jīng)網(wǎng)絡(luò)利用少量數(shù)據(jù)就可以建立模型，并且模型預測精度高，對數(shù)據(jù)的聯(lián)想記憶和優(yōu)化能力強，實現(xiàn)了木材干燥過程的材堆溫度、濕度以及木材含水率的準確預測。

1 Elman神經(jīng)網(wǎng)絡(luò)

1.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)反饋型神經(jīng)網(wǎng)絡(luò)是一種從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)比前饋神經(jīng)網(wǎng)絡(luò)要復雜得多，Elman神經(jīng)網(wǎng)絡(luò)是典型的反饋型神經(jīng)網(wǎng)絡(luò)[5]?；镜腅lman神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、連接層和輸出層組成[6]。與BP網(wǎng)絡(luò)相比，在結(jié)構(gòu)上多了一個連接層，用于構(gòu)成局部反饋。連接層的傳輸函數(shù)為線性函數(shù)，但是多了一個延遲單元，因此連接層可以記憶過去的狀態(tài)，并在下一時刻與網(wǎng)絡(luò)的輸入一起作為隱含層的輸入，使網(wǎng)絡(luò)具有動態(tài)記憶功能，非常適合時間序列預測問題。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在Elman網(wǎng)絡(luò)中，輸出層和連接層的傳遞函數(shù)為線性函數(shù)，通常使用MATLAB中的Purelin函數(shù)，隱含層的傳遞函數(shù)則為某種非線性函數(shù)，如Sigmoid函數(shù)[7]。在連續(xù)有限的時間內(nèi)，這樣的傳輸函數(shù)在兩層神經(jīng)網(wǎng)絡(luò)的特殊組合可以以任意精度逼近任意函數(shù)，關(guān)于這一點只需要隱含層的神經(jīng)元數(shù)目足夠多即可實現(xiàn)，所逼近函數(shù)的復雜性越高，所需的隱含層神經(jīng)元數(shù)越多。值得注意的是，Elman網(wǎng)絡(luò)不同于通常的兩層網(wǎng)絡(luò)，其第一網(wǎng)絡(luò)層有一個反饋節(jié)點，該節(jié)點的延遲量存儲了前一時刻的值，從而應(yīng)用于當前時刻的計算。所以即使是具有相同權(quán)值和閾值的Elman網(wǎng)絡(luò)，如果其反饋狀態(tài)不同，那么對于同樣的輸入向量，其同一時刻的輸出也可能不相同。

由于隱含層不但接收來自輸入層的數(shù)據(jù)，還要接收連接層中儲存的數(shù)據(jù)，因此對于相同的輸入數(shù)據(jù)，不同時刻產(chǎn)生的輸出也可能不同。輸入層數(shù)據(jù)反映了信號的空域信息，而連接層延遲則反映了信號的時域信息。因為Elman網(wǎng)絡(luò)能夠存儲供將來時刻使用的信息，所以它既可以學習時域模式，也可以學習空域模式；它既可以訓練后對模式產(chǎn)生響應(yīng)(模式的空間分類結(jié)果)，也可以產(chǎn)生模式輸出(模式的時域變化關(guān)系)，這是Elman神經(jīng)網(wǎng)絡(luò)可以用于時域和空域模式識別的原因。

1.2Elman神經(jīng)網(wǎng)絡(luò)的訓練在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中，創(chuàng)建Elman神經(jīng)網(wǎng)絡(luò)的函數(shù)為newelm。以newelm定義的Elman網(wǎng)絡(luò)為例，其反向傳播訓練算法的默認函數(shù)為trainbfg，還可以用trainlm，但其處理速度太快，這在Elman網(wǎng)絡(luò)中是不必要的，效果也不一定好。默認的權(quán)值和閾值的反向傳播學習函數(shù)為learngdm，默認的誤差性能函數(shù)為mse。網(wǎng)絡(luò)建立后，每個網(wǎng)絡(luò)層的權(quán)值和閾值都以Nguyen-Widrow網(wǎng)絡(luò)層初始化方法進行初始化，實現(xiàn)函數(shù)為initnw[8]。

Elman網(wǎng)絡(luò)的訓練可采用train或adapt兩個函數(shù)中的任意一個。采用函數(shù)adapt時，迭代過程與采用函數(shù)train時基本一樣，只是權(quán)值的修正函數(shù)建議采用學習函數(shù)learngdm。當采用函數(shù)train時，每一步迭代過程按以下步驟進行：①在網(wǎng)絡(luò)輸入端先輸入所有的輸入序列，然后計算輸出結(jié)果，并與目標序列進行比較，從而產(chǎn)生一誤差序列。②在每一次迭代中，誤差被反向傳播，以確定每一個權(quán)值和閾值的誤差梯度，實際上梯度的計算是近似的，因為經(jīng)由延遲反饋支路對權(quán)值和閾值誤差的貢獻是忽略了的。③該梯度用于對用戶選擇的反向傳播訓練函數(shù)進行的權(quán)值修正。建議采用訓練函數(shù)traingdx。

2 木材干燥過程的Elman神經(jīng)網(wǎng)絡(luò)模型

在木材干燥過程中，最重要的3個參數(shù)是木材干燥窯內(nèi)的溫度、濕度以及木材含水率。木材干燥控制系統(tǒng)經(jīng)常會以這些參數(shù)作為干燥基準，木材含水率更是對木材干燥的質(zhì)量起到?jīng)Q定性作用。木材含水率的變化主要受木材干燥窯內(nèi)的溫度和濕度影響，因此建立木材干燥過程模型，主要是指建立木材干燥窯內(nèi)溫度、濕度以及木材含水率之間的模型。筆者在研究人工神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，選用Elman神經(jīng)網(wǎng)絡(luò)建立木材干燥過程模型。

選擇柞木作為實驗樹種，利用Elman神經(jīng)網(wǎng)絡(luò)方法建立柞木干燥過程的干燥窯內(nèi)溫度、濕度以及木材含水率之間的模型。柞木干燥實驗中，干燥窯內(nèi)的溫度由溫度傳感器PT100測量獲得；干燥窯內(nèi)的濕度由干濕球法測量獲得；材堆的木材含水率由木材含水率檢測儀直接讀數(shù)獲得。通過相對誤差指標來描述Elman神經(jīng)網(wǎng)絡(luò)模型的準確性。相對誤差的計算方法如式Ⅰ所示。

Ⅰ

相對誤差中的實際值是指柞木干燥過程中的窯內(nèi)溫度、濕度以及材堆的木材含水率，預測值是指Elman神經(jīng)網(wǎng)絡(luò)模型輸出的窯內(nèi)溫度、濕度以及材堆的木材含水率。

使用MATLAB R2010a仿真軟件作為仿真環(huán)境。Elman神經(jīng)網(wǎng)絡(luò)的建模和測試流程如圖2所示。首先，采集柞木干燥過程中的溫度、濕度以及木材含水率數(shù)據(jù)，并將采集的數(shù)據(jù)分組構(gòu)成樣本集。其次，將樣本集劃分成兩組樣本，其中一組為訓練樣本，另一組為測試樣本。再次，利用Elman神經(jīng)網(wǎng)絡(luò)對樣本數(shù)據(jù)分析并建立木材干燥過程模型；最后，通過建立好的Elman神經(jīng)網(wǎng)絡(luò)模型驗證木材干燥過程的測試數(shù)據(jù)。

圖2 Elman神經(jīng)網(wǎng)絡(luò)的建模和測試流程

在該實驗中，選用柞木干燥過程的10組數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)訓練建模和測試數(shù)據(jù)。其中，每一組數(shù)據(jù)都是由干燥過程中同一時刻的干燥窯內(nèi)溫度、濕度以及材堆的木材含水率組成。該實驗選用的柞木干燥過程中的10組數(shù)據(jù)如表1所示。

表1 木材干燥過程數(shù)據(jù)匯總

實驗利用表1中的前9組木材干燥過程數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)的訓練樣本。其中，每3組數(shù)據(jù)分別作為輸入向量，第4組數(shù)據(jù)作為目標向量，一共得到6組訓練樣本。表1中的第10組數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)的測試樣本，用來測試模型的準確性，驗證Elman神經(jīng)網(wǎng)絡(luò)模型是否能夠預測得到準確的木材干燥過程數(shù)據(jù)。訓練樣本和測試樣本分組情況如表2所示。

表2 樣本組數(shù)分配

實驗中，Elman神經(jīng)網(wǎng)絡(luò)模型在隱含層節(jié)點數(shù)為6時相對誤差最小，結(jié)果如表3所示。實驗分別對木材干燥過程的3個重要參數(shù)：干燥窯內(nèi)溫度、濕度以及木材堆的含水率進行結(jié)果對比分析。測試樣本的實際值如表1中的第10組數(shù)據(jù)所示：溫度值為43.300 ℃，濕度值為10.800%，木材含水率為34.100%。木材干燥過程的Elman神經(jīng)網(wǎng)絡(luò)模型輸出為：溫度值為43.142 ℃，濕度值為10.696%，木材含水率值為34.364%。

表3 Elman神經(jīng)網(wǎng)絡(luò)模型相對誤差

從表3可以看出，木材干燥過程的Elman神經(jīng)網(wǎng)絡(luò)模型溫度輸出相對誤差為0.36%，濕度輸出相對誤差為0.96%，木材含水率輸出相對誤差為0.77%。由此可見，木材干燥過程3個重要參數(shù)輸出的相對誤差均小于1%，驗證了Elman神經(jīng)網(wǎng)絡(luò)理論在木材干燥過程建模上的可行性和有效性。通過Elman神經(jīng)網(wǎng)絡(luò)建立的木材干燥過程模型準確性高，可以通過模型得到目標向量點的溫度、濕度以及木材含水率數(shù)值。

3 結(jié)論

在研究人工神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，該文提出一種Elman神經(jīng)網(wǎng)絡(luò)建模方法，并將Elman神經(jīng)網(wǎng)絡(luò)運用在木材干燥過程建模上。Elman神經(jīng)網(wǎng)絡(luò)可以利用實際測量的木材干燥窯內(nèi)溫度、濕度以及木材含水率數(shù)值建立木材干燥過程模型。仿真實驗的結(jié)果表明，該研究建立的Elman神經(jīng)網(wǎng)絡(luò)木材干燥過程模型具有可行性和有效性，符合實際木材干燥過程的工藝要求。木材干燥過程的Elman神經(jīng)網(wǎng)絡(luò)模型的準確性高，對于提高木材干燥過程的控制水平具有研究價值。

[1] 杜國興,李大綱. 木材干燥技術(shù)[M].北京：中國林業(yè)出版社,2005：1-35.

[2] 高建民. 木材干燥學[M].北京：科學出版社,2007：1-25.

[3] PATRA J C.Nonlinear dynamic system identification using chebyshev functional link artificial neural networks[J]. IEEE Transactions on Systems,Man,and Cybernetics,2002,32(4):505-511.

[4] 劉永霞,馮仲科,杜鵬志. Elman動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)在樹木生長預測中的應(yīng)用[J].北京林業(yè)大學學報,2007,29(6):99-103.

[5] 魏海坤. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法[M]. 北京:國防工業(yè)出版社,2005：5-36.

[6] 葛宏偉,梁艷春. 進化Elman神經(jīng)網(wǎng)絡(luò)模型與非線性系統(tǒng)辨識[J].吉林大學學報：工學版,2005,35(5):511-519.

[7] 梁新榮，劉智勇,毛宗源. 高速公路動態(tài)交通流Elman神經(jīng)網(wǎng)絡(luò)模型[J]. 交通運輸工程學報,2006,6(3):92-96.

[8] 芮執(zhí)元,任麗娜,馮瑞成. 基于Elman神經(jīng)網(wǎng)絡(luò)的甘肅電網(wǎng)負荷預測模型[J]. 現(xiàn)代電力,2007,24(2):26-29.