木材干燥过程的Elman神经网络模型研究

姜 滨， 孙丽萍， 曹 军， 季仲致

(东北林业大学机电工程学院，黑龙江哈尔滨 150040)

提高木材干燥过程的控制水平，实现真正意义上的全自动控制是木材干燥行业迫切关心的问题[1]。根据其物理化学特性，木材干燥过程有其特有的复杂性，是一个强耦合非线性动力系统，因而很难建立理想的木材干燥模型[2]。

人工神经网络(Artificial Neural Network，ANN)，通常简称为神经网络，是一种在生物神经网络的启示下建立的数据处理模型[3]。神经网络由大量的人工神经元相互连接进行计算，根据外界的信息改变自身的结构，主要通过调整神经元之间的权值来对输入的数据进行建模，最终具备解决实际问题的能力。神经网络分为前馈神经网络和反馈神经网络2种，Elman神经网络属于反馈神经网络，具有比前向神经网络更强的计算能力，其突出的优点是具有很强的联想记忆和优化计算功能[4]。

针对木材干燥过程的特点，该研究提出基于Elman神经网络理论建立的木材干燥过程模型。该模型通过木材干燥过程材堆的温度、湿度以及木材含水率数值建立模型，并通过实际数据对模型的准确度进行验证。仿真结果表明Elman神经网络利用少量数据就可以建立模型，并且模型预测精度高，对数据的联想记忆和优化能力强，实现了木材干燥过程的材堆温度、湿度以及木材含水率的准确预测。

1 Elman神经网络

1.1Elman神经网络结构反馈型神经网络是一种从输出到输入具有反馈连接的神经网络，其结构比前馈神经网络要复杂得多，Elman神经网络是典型的反馈型神经网络[5]。基本的Elman神经网络由输入层、隐含层、连接层和输出层组成[6]。与BP网络相比，在结构上多了一个连接层，用于构成局部反馈。连接层的传输函数为线性函数，但是多了一个延迟单元，因此连接层可以记忆过去的状态，并在下一时刻与网络的输入一起作为隐含层的输入，使网络具有动态记忆功能，非常适合时间序列预测问题。Elman神经网络结构如图1所示。

图1 Elman神经网络结构

在Elman网络中，输出层和连接层的传递函数为线性函数，通常使用MATLAB中的Purelin函数，隐含层的传递函数则为某种非线性函数，如Sigmoid函数[7]。在连续有限的时间内，这样的传输函数在两层神经网络的特殊组合可以以任意精度逼近任意函数，关于这一点只需要隐含层的神经元数目足够多即可实现，所逼近函数的复杂性越高，所需的隐含层神经元数越多。值得注意的是，Elman网络不同于通常的两层网络，其第一网络层有一个反馈节点，该节点的延迟量存储了前一时刻的值，从而应用于当前时刻的计算。所以即使是具有相同权值和阈值的Elman网络，如果其反馈状态不同，那么对于同样的输入向量，其同一时刻的输出也可能不相同。

由于隐含层不但接收来自输入层的数据，还要接收连接层中储存的数据，因此对于相同的输入数据，不同时刻产生的输出也可能不同。输入层数据反映了信号的空域信息，而连接层延迟则反映了信号的时域信息。因为Elman网络能够存储供将来时刻使用的信息，所以它既可以学习时域模式，也可以学习空域模式；它既可以训练后对模式产生响应(模式的空间分类结果)，也可以产生模式输出(模式的时域变化关系)，这是Elman神经网络可以用于时域和空域模式识别的原因。

1.2Elman神经网络的训练在MATLAB神经网络工具箱中，创建Elman神经网络的函数为newelm。以newelm定义的Elman网络为例，其反向传播训练算法的默认函数为trainbfg，还可以用trainlm，但其处理速度太快，这在Elman网络中是不必要的，效果也不一定好。默认的权值和阈值的反向传播学习函数为learngdm，默认的误差性能函数为mse。网络建立后，每个网络层的权值和阈值都以Nguyen-Widrow网络层初始化方法进行初始化，实现函数为initnw[8]。

Elman网络的训练可采用train或adapt两个函数中的任意一个。采用函数adapt时，迭代过程与采用函数train时基本一样，只是权值的修正函数建议采用学习函数learngdm。当采用函数train时，每一步迭代过程按以下步骤进行：①在网络输入端先输入所有的输入序列，然后计算输出结果，并与目标序列进行比较，从而产生一误差序列。②在每一次迭代中，误差被反向传播，以确定每一个权值和阈值的误差梯度，实际上梯度的计算是近似的，因为经由延迟反馈支路对权值和阈值误差的贡献是忽略了的。③该梯度用于对用户选择的反向传播训练函数进行的权值修正。建议采用训练函数traingdx。

2 木材干燥过程的Elman神经网络模型

在木材干燥过程中，最重要的3个参数是木材干燥窑内的温度、湿度以及木材含水率。木材干燥控制系统经常会以这些参数作为干燥基准，木材含水率更是对木材干燥的质量起到决定性作用。木材含水率的变化主要受木材干燥窑内的温度和湿度影响，因此建立木材干燥过程模型，主要是指建立木材干燥窑内温度、湿度以及木材含水率之间的模型。笔者在研究人工神经网络理论的基础上，选用Elman神经网络建立木材干燥过程模型。

选择柞木作为实验树种，利用Elman神经网络方法建立柞木干燥过程的干燥窑内温度、湿度以及木材含水率之间的模型。柞木干燥实验中，干燥窑内的温度由温度传感器PT100测量获得；干燥窑内的湿度由干湿球法测量获得；材堆的木材含水率由木材含水率检测仪直接读数获得。通过相对误差指标来描述Elman神经网络模型的准确性。相对误差的计算方法如式Ⅰ所示。

Ⅰ

相对误差中的实际值是指柞木干燥过程中的窑内温度、湿度以及材堆的木材含水率，预测值是指Elman神经网络模型输出的窑内温度、湿度以及材堆的木材含水率。

使用MATLAB R2010a仿真软件作为仿真环境。Elman神经网络的建模和测试流程如图2所示。首先，采集柞木干燥过程中的温度、湿度以及木材含水率数据，并将采集的数据分组构成样本集。其次，将样本集划分成两组样本，其中一组为训练样本，另一组为测试样本。再次，利用Elman神经网络对样本数据分析并建立木材干燥过程模型；最后，通过建立好的Elman神经网络模型验证木材干燥过程的测试数据。

图2 Elman神经网络的建模和测试流程

在该实验中，选用柞木干燥过程的10组数据作为Elman神经网络训练建模和测试数据。其中，每一组数据都是由干燥过程中同一时刻的干燥窑内温度、湿度以及材堆的木材含水率组成。该实验选用的柞木干燥过程中的10组数据如表1所示。

表1 木材干燥过程数据汇总

实验利用表1中的前9组木材干燥过程数据作为Elman神经网络的训练样本。其中，每3组数据分别作为输入向量，第4组数据作为目标向量，一共得到6组训练样本。表1中的第10组数据作为Elman神经网络的测试样本，用来测试模型的准确性，验证Elman神经网络模型是否能够预测得到准确的木材干燥过程数据。训练样本和测试样本分组情况如表2所示。

表2 样本组数分配

实验中，Elman神经网络模型在隐含层节点数为6时相对误差最小，结果如表3所示。实验分别对木材干燥过程的3个重要参数：干燥窑内温度、湿度以及木材堆的含水率进行结果对比分析。测试样本的实际值如表1中的第10组数据所示：温度值为43.300 ℃，湿度值为10.800%，木材含水率为34.100%。木材干燥过程的Elman神经网络模型输出为：温度值为43.142 ℃，湿度值为10.696%，木材含水率值为34.364%。

表3 Elman神经网络模型相对误差

从表3可以看出，木材干燥过程的Elman神经网络模型温度输出相对误差为0.36%，湿度输出相对误差为0.96%，木材含水率输出相对误差为0.77%。由此可见，木材干燥过程3个重要参数输出的相对误差均小于1%，验证了Elman神经网络理论在木材干燥过程建模上的可行性和有效性。通过Elman神经网络建立的木材干燥过程模型准确性高，可以通过模型得到目标向量点的温度、湿度以及木材含水率数值。

3 结论

在研究人工神经网络理论的基础上，该文提出一种Elman神经网络建模方法，并将Elman神经网络运用在木材干燥过程建模上。Elman神经网络可以利用实际测量的木材干燥窑内温度、湿度以及木材含水率数值建立木材干燥过程模型。仿真实验的结果表明，该研究建立的Elman神经网络木材干燥过程模型具有可行性和有效性，符合实际木材干燥过程的工艺要求。木材干燥过程的Elman神经网络模型的准确性高，对于提高木材干燥过程的控制水平具有研究价值。

[1] 杜国兴,李大纲. 木材干燥技术[M].北京：中国林业出版社,2005：1-35.

[2] 高建民. 木材干燥学[M].北京：科学出版社,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] 刘永霞,冯仲科,杜鹏志. Elman动态递归神经网络在树木生长预测中的应用[J].北京林业大学学报,2007,29(6):99-103.

[5] 魏海坤. 神经网络结构设计的理论与方法[M]. 北京:国防工业出版社,2005：5-36.

[6] 葛宏伟,梁艳春. 进化Elman神经网络模型与非线性系统辨识[J].吉林大学学报：工学版,2005,35(5):511-519.

[7] 梁新荣，刘智勇,毛宗源. 高速公路动态交通流Elman神经网络模型[J]. 交通运输工程学报,2006,6(3):92-96.

[8] 芮执元,任丽娜,冯瑞成. 基于Elman神经网络的甘肃电网负荷预测模型[J]. 现代电力,2007,24(2):26-29.