落葉松木材干燥的BP神經(jīng)網(wǎng)絡(luò)模型研究

馬翔宇　王曉豐　段文英

摘要：以落葉松木材為研究對(duì)象，實(shí)驗(yàn)在東北林業(yè)大學(xué)干燥實(shí)驗(yàn)室進(jìn)行，采用MATLAB中l(wèi)ogsigmoid型函數(shù)（logsig）和線性函數(shù)（purelin）為神經(jīng)元的作用函數(shù)，用落葉松木材的干燥溫度、濕度、循環(huán)風(fēng)速及平衡含水率作為輸入變量，以木材含水率作為輸出變量，構(gòu)建了4∶S∶1的木材干燥的BP人工神經(jīng)網(wǎng)絡(luò)模型。用120組數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練及檢驗(yàn)，得最適宜的網(wǎng)絡(luò)結(jié)構(gòu)為4∶10∶1，均方誤差函數(shù)mse=0.001 7，總體擬合精度為96.86%。該模型能夠運(yùn)用到相同條件下的其他樹(shù)種的木材干燥。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；落葉松木材；干燥；木材含水率

中圖分類號(hào)：S 782.31文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-005X（2015）01-0063-03

Research on BP Neural Network Model of Larch Wood Drying

Ma Xiangyu，Wang Xiaofeng，Duan Wenying*

（College of Science，Northeast Forestry University，Harbin 150040）

Abstract：Taking the larch wood as the research object，the experiment is conducted in the drying laboratory at Northeast Forestry University.Logsigmoidtype function（logsig）and a linear function（purelin）in MATLAB are used as the role of neuronal function.Drying temperature，humidity，wind speed and equilibrium moisture content of the loop of larch wood are used as input variables，meanwhile the moisture content of wood as output variables，BP artificial neural network mode of 4∶S∶1 wood drying is constructed.The network model is trained and tested by 120 groups of data.The results showed that the most suitable network structure is 4∶10∶1，the mean square error function MSE is 0.0017，the general fitting accuracy was 96.86%.The model can be applied to other species under the same conditions of wood drying.

Keywords： BP neural network；larch wood；drying；wood moisture content

收稿日期：2014-06-11

基金項(xiàng)目：中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（2572014BB20）

第一作者簡(jiǎn)介：馬翔宇，碩士研究生，研究實(shí)習(xí)員。研究方向：生物數(shù)學(xué)。Email：maxiangyu_cheng@163.com

*通訊作者：段文英，碩士，教授。研究方向：生物數(shù)學(xué)。

Email：qiuzhiyun1956@163.com

引文格式：馬翔宇，王曉豐，段文英.落葉松木材干燥的BP神經(jīng)網(wǎng)絡(luò)模型研究[J].森林工程，2015，31（1）：63-65.木材干燥是一個(gè)非線性干燥過(guò)程，它受一些外在的不確定因素影響著，因此干燥時(shí)必須控制好木材干燥系統(tǒng)[1，8-9]。本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建模技術(shù)構(gòu)建一般模型，經(jīng)過(guò)具體數(shù)據(jù)訓(xùn)練、分析確定最后模型。建模、訓(xùn)練、分析都基于MATLAB系統(tǒng)，給出BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖和MATLAB數(shù)學(xué)模型[2-4，10]。

1實(shí)驗(yàn)數(shù)據(jù)來(lái)源

本實(shí)驗(yàn)在東北林業(yè)大學(xué)干燥實(shí)驗(yàn)室進(jìn)行，設(shè)備為GDS-100恒溫恒濕箱，工作室尺寸：400×500×500，設(shè)備調(diào)濕范圍：35～98%RH，波動(dòng)度：±3%RH，調(diào)溫范圍：-0～100℃，波動(dòng)度：±0.5℃，均勻性：±2℃；NEC多點(diǎn)溫度自動(dòng)檢測(cè)系統(tǒng)；電子秤，精度分別為1 g和0.01 g；卡尺，精度為0.1 g；ZRQF智能風(fēng)速計(jì)，精度為0.01 m/s。試驗(yàn)材料為落葉松鋸材，鋸解后的板材規(guī)格為：長(zhǎng)320 mm，寬150 mm，厚65 mm，鋸解過(guò)程中試件為10 mm厚的木片測(cè)定初含水率。

2模型的構(gòu)建

首先給出模型的構(gòu)建方法：選取干燥濕度X1、干燥溫度X2、循環(huán)風(fēng)速X3和平衡含水率X4構(gòu)成的矩陣作為輸入向量P，以含水率構(gòu)成的矩陣為輸出向量Y。構(gòu)建BP人工神經(jīng)網(wǎng)絡(luò)的木材干燥模型結(jié)構(gòu)為4∶S∶1，如圖1所示。顯而易見(jiàn)能夠看出該網(wǎng)絡(luò)是由輸入層，隱層、輸出層組成。通過(guò)反復(fù)訓(xùn)練樣本的數(shù)據(jù)才能夠確定對(duì)應(yīng)的隱層的節(jié)點(diǎn)數(shù)，用sigmoid傳遞函數(shù)來(lái)進(jìn)行傳遞，即logsig函數(shù)；繼而構(gòu)建多個(gè)輸入變量和單個(gè)輸出變量的BP網(wǎng)絡(luò)，此時(shí)選擇輸出層的傳遞函數(shù)為purelin。從輸入層至隱層的權(quán)值矩陣用IW表示，而隱層至輸出層的權(quán)值矩陣用LW表示，隱層神經(jīng)元的閾值矩陣用b1表示，輸出層神經(jīng)元的閾值矩陣用b2表示。

圖1木材干燥的BP神經(jīng)網(wǎng)絡(luò)模型[7]

Fig.1 BP ANN wood drying model[7]

用MATLAB傳遞函數(shù)能將圖1所示的木材干燥的BP神經(jīng)網(wǎng)絡(luò)模型表示如下數(shù)學(xué)模型：

M=purelin（∑w21，IhI+b2）。（1）

hI=logsig（w1I，1X1+w1I，2X2+w1I，3X3+w1I，4X4+b1I。（2）

第1期馬翔宇等：落葉松木材干燥的BP神經(jīng)網(wǎng)絡(luò)模型研究

森林工程第31卷

式中：w1I，1表示隱層第I個(gè)神經(jīng)元與輸入層第一個(gè)節(jié)點(diǎn)之間的鏈接權(quán)，I =1，2，…，S，上標(biāo)“1”表示第1層（隱層）神經(jīng)元；w21，I表示輸出層神經(jīng)元與隱層第I個(gè)神經(jīng)元之間的連接權(quán)值，上標(biāo)“2”表示第2層（輸出層）神經(jīng)元；b1I表示隱層第I個(gè)神經(jīng)元的閾值；b2表示輸出層神經(jīng)元的閾值；hI表示隱層第I個(gè)神經(jīng)元的傳遞輸出，I=1，2，…，S。

3模型的訓(xùn)練

木材干燥試驗(yàn)主要分為：預(yù)熱、干燥、降溫和濕熱4項(xiàng)[9]。預(yù)熱的前一天是木材干燥的初始階段，不包含在數(shù)據(jù)的收集中，過(guò)一天之后，再記錄數(shù)據(jù)。相隔4 h對(duì)試驗(yàn)設(shè)備內(nèi)的變量進(jìn)行一次數(shù)據(jù)記錄，其變量包闊干球溫度，濕度、循環(huán)風(fēng)速及含水率的測(cè)量，再觀測(cè)記錄木材干燥表，進(jìn)而可以測(cè)出干燥的時(shí)間。試驗(yàn)共收集120組數(shù)據(jù)，包括干球溫度，濕度、循環(huán)風(fēng)速及木材的含水率4個(gè)變量為木材干燥的測(cè)定值。由于，預(yù)熱階段的木材含水率不做預(yù)測(cè)[11-12]，即剔除前一天的數(shù)據(jù)，取后的試驗(yàn)數(shù)據(jù)來(lái)。

運(yùn)用Matlab程序進(jìn)行檢驗(yàn)和驗(yàn)證，設(shè)學(xué)習(xí)速率lr=0.05，訓(xùn)練步長(zhǎng)50；訓(xùn)練截止次數(shù)104次；訓(xùn)練精度0.001。根據(jù)迭代次數(shù)最少和運(yùn)算時(shí)間最短來(lái)確定隱含層哪個(gè)層次為最優(yōu)解，所測(cè)定的數(shù)據(jù)要通過(guò)歸一化方法來(lái)進(jìn)行歸一化處理。

利用MATLAB軟件，對(duì)給定的數(shù)據(jù)進(jìn)行歸一化處理后，使的變量和變量的取值范圍在[-1，1]。

通過(guò)Premnmx對(duì)數(shù)據(jù)處理的表達(dá)式為：

AN=2×（A-mina）/（maxa-mina）-1。（3）

BN=2×（B-minb）/（maxb-minb）-1。（4）

即，輸入值和輸出值都會(huì)在區(qū)間[-1，1]。

通過(guò)以下3個(gè)公式為選擇最佳隱層節(jié)點(diǎn)的參考公式：

n=n1+m+b。（5）

n=n1×m。（6）

n=logn12。（7）

式中：m為輸出層節(jié)點(diǎn)數(shù)，n1為輸入層節(jié)點(diǎn)數(shù)，n為隱層節(jié)點(diǎn)數(shù)，b為[1，10]之間的常數(shù)。

最優(yōu)隱層節(jié)點(diǎn)數(shù)10是通過(guò)多次訓(xùn)練后得到的。其網(wǎng)絡(luò)結(jié)構(gòu)為4∶10∶1。此時(shí)，命名取為AH_net。我們?cè)儆酶倪M(jìn)BP算法來(lái)測(cè)定，設(shè)0.001是目標(biāo)誤差，0.05是學(xué)習(xí)速率，訓(xùn)練次數(shù)16 697次，能夠使網(wǎng)絡(luò)性能誤差曲線達(dá)到穩(wěn)定，均方誤差函數(shù)mse=0.001 7，總體擬合精度為95.12%，其權(quán)值矩陣和閾值矩陣表達(dá)式如下：

4模型性能分析

4.1擬合精度分析

首先，給出精度計(jì)算公式：

Pc=1-∑|M^-M|/∑M。（8）

式中：Pc表示精度；M^表示木材含水率的理論值；M表示木材含水率的實(shí)際值。

其次，利用誤差矩陣名稱AH_net，在MATLAB系統(tǒng)按公式（8）進(jìn)行精度分析，公式為：

Pc=1-sum（abs（AH_net））/sum（M）。（9）

上述表達(dá)式，在MATLAB中，sum代表累計(jì)函數(shù)，abs代表絕對(duì)值函數(shù)，AH_net為網(wǎng)絡(luò)矩陣，在時(shí)系統(tǒng)會(huì)自動(dòng)生成。

模型訓(xùn)練結(jié)果可以得出，總體擬合精度為96.12%，其落葉松木材干燥模型中結(jié)果是理想的。

4.2檢驗(yàn)精度分析

再抽出40組數(shù)據(jù)為檢驗(yàn)樣本，且能求出落葉松木材干燥的含水率的理論值，也對(duì)落葉松木材的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)，擬合精度為93.42%。

在MATLAB中應(yīng)用plot3（X，Y，Z）在三維空間中，繪制落葉松木材含水率的理論值與實(shí)際值的對(duì)照?qǐng)D，由此直觀的檢測(cè)模型的預(yù)測(cè)效果。如落葉松木材含水率在干球溫度、循環(huán)風(fēng)速的理論值與實(shí)際值的比較如圖2所示，和落葉松木材含水率在干球溫度、相對(duì)濕度上的理論值與實(shí)際值的比較如圖3所示。均說(shuō)明落葉松木材的BP神經(jīng)網(wǎng)絡(luò)模型，能預(yù)測(cè)的理論值與實(shí)際值的擬合效果比較好。

圖2落葉松木材的含水率隨干球溫度、

濕度變化的實(shí)際值與預(yù)測(cè)理論值比較

Fig.2 Comparison between the actual value and the fitted

value for the moisture content of larch wood with the

variation of drying temperature and humidity

5結(jié)論

在落葉松木材干燥的一周期的120組數(shù)據(jù)中，隨機(jī)抽取80組作為網(wǎng)絡(luò)模型的訓(xùn)練樣本，用干球溫度、濕度、循環(huán)風(fēng)速及平衡含水率作為輸入向

圖3落葉松木材的含水率隨干球溫度、

循環(huán)風(fēng)速變化的實(shí)際值與預(yù)測(cè)理論值比較

Fig.3 Comparison between the actual value and the

fitted value for the moisture content of larch wood with the

variation of drying temperature and wind speed

量，以落葉松木材含水率為輸出變量，構(gòu)建相應(yīng)的結(jié)構(gòu)為4∶S∶1的BP神經(jīng)網(wǎng)絡(luò)模型。該模型經(jīng)過(guò)反復(fù)訓(xùn)練比較，得出隱層節(jié)點(diǎn)數(shù)最優(yōu)質(zhì)是10，即網(wǎng)絡(luò)結(jié)構(gòu)為4∶10∶1，網(wǎng)絡(luò)模型取名為AH_net。模型訓(xùn)練結(jié)果表明，均方誤差函數(shù)mse=0.001 7，說(shuō)明網(wǎng)絡(luò)性能誤差曲線達(dá)到穩(wěn)定，總體擬合精度為96.12%。再抽取40組數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，擬合精度是93.42%。并在三維空間中，繪制落葉松木材含水率的實(shí)際值和理論值的對(duì)比圖，其理論值與實(shí)際值接近，結(jié)論達(dá)到人們滿意。

【參考文獻(xiàn)】

[1]卲千鈞，徐群芳，王偉龍.木材干燥過(guò)程控制測(cè)咧與方法的研究[J].浙江林學(xué)院學(xué)報(bào)，2003，20（3）：307-310.

[2]方建軍，曹崇文.利用人工神經(jīng)網(wǎng)絡(luò)建立谷物干燥模型[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，1997，2（6）：35-38.

[3]Jinescu G，Lavric V.The artificial neural networks and the drying process modeling [J].Dry Technology，1995，13（5-7）：1579-1586.

[4]葛哲學(xué).精通MATLAB（第1版）[M].北京：電子工業(yè)出版社，2008.

[5]陳可，張琴舜，陳培培，等.BP神經(jīng)網(wǎng)絡(luò)在證券分析預(yù)測(cè)中的應(yīng)用[J]，計(jì)算機(jī)工程，2001，11（27）：95-97.

[6]孫麗萍.木材含水率在線檢測(cè)融合體系及仿真技術(shù)研究[D].哈爾濱：東北林業(yè)大學(xué)，2008.

[7]蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論（1版）[M].北京：高等教育出版社，2001.

[8]謝健.基于人工神經(jīng)網(wǎng)絡(luò)的落葉松木材干燥模型研究[D].哈爾濱：東北林業(yè)大學(xué)，2013.

[9]高建民.木材干燥學(xué)[M].北京：科學(xué)出版社，2007

[10]戚大偉，牟洪波.人工神經(jīng)網(wǎng)絡(luò)在木材缺陷檢測(cè)中的應(yīng)用[J].森林工程，2006，22（1）：21-23.

[11]Milota M.HAP and VOC emissions from white fir lumber dried at high and conventional temperatures [J].Forest Products Journal，2003，53（3）：60-64.

[12]謝鍵，王曉豐，段文英，等，基于人工神經(jīng)網(wǎng)絡(luò)的落葉松干燥模型研究[J].森林工程，2013，29（2）：58-61.

[責(zé)任編輯：胡建偉]