落叶松木材干燥的BP神经网络模型研究

2015-10-21马翔宇王晓丰段文英

森林工程 2015年1期

马翔宇　王晓丰　段文英

摘要：以落叶松木材为研究对象，实验在东北林业大学干燥实验室进行，采用MATLAB中logsigmoid型函数（logsig）和线性函数（purelin）为神经元的作用函数，用落叶松木材的干燥温度、湿度、循环风速及平衡含水率作为输入变量，以木材含水率作为输出变量，构建了4∶S∶1的木材干燥的BP人工神经网络模型。用120组数据对网络模型进行训练及检验，得最适宜的网络结构为4∶10∶1，均方误差函数mse=0.001 7，总体拟合精度为96.86%。该模型能够运用到相同条件下的其他树种的木材干燥。

关键词：BP神经网络；落叶松木材；干燥；木材含水率

中图分类号：S 782.31文献标识码：A文章编号：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

基金項目：中央高校基本科研业务费专项资金项目（2572014BB20）

第一作者简介：马翔宇，硕士研究生，研究实习员。研究方向：生物数学。Email：maxiangyu_cheng@163.com

*通讯作者：段文英，硕士，教授。研究方向：生物数学。

Email：qiuzhiyun1956@163.com

引文格式：马翔宇，王晓丰，段文英.落叶松木材干燥的BP神经网络模型研究[J].森林工程，2015，31（1）：63-65.木材干燥是一个非线性干燥过程，它受一些外在的不确定因素影响着，因此干燥时必须控制好木材干燥系统[1，8-9]。本文应用BP神经网络建模技术构建一般模型，经过具体数据训练、分析确定最后模型。建模、训练、分析都基于MATLAB系统，给出BP神经网络结构图和MATLAB数学模型[2-4，10]。

1实验数据来源

本实验在东北林业大学干燥实验室进行，设备为GDS-100恒温恒湿箱，工作室尺寸：400×500×500，设备调湿范围：35～98%RH，波动度：±3%RH，调温范围：-0～100℃，波动度：±0.5℃，均匀性：±2℃；NEC多点温度自动检测系统；电子秤，精度分别为1 g和0.01 g；卡尺，精度为0.1 g；ZRQF智能风速计，精度为0.01 m/s。试验材料为落叶松锯材，锯解后的板材规格为：长320 mm，宽150 mm，厚65 mm，锯解过程中试件为10 mm厚的木片测定初含水率。

2模型的构建

首先给出模型的构建方法：选取干燥湿度X1、干燥温度X2、循环风速X3和平衡含水率X4构成的矩阵作为输入向量P，以含水率构成的矩阵为输出向量Y。构建BP人工神经网络的木材干燥模型结构为4∶S∶1，如图1所示。显而易见能够看出该网络是由输入层，隐层、输出层组成。通过反复训练样本的数据才能够确定对应的隐层的节点数，用sigmoid传递函数来进行传递，即logsig函数；继而构建多个输入变量和单个输出变量的BP网络，此时选择输出层的传递函数为purelin。从输入层至隐层的权值矩阵用IW表示，而隐层至输出层的权值矩阵用LW表示，隐层神经元的阈值矩阵用b1表示，输出层神经元的阈值矩阵用b2表示。

图1木材干燥的BP神经网络模型[7]

Fig.1 BP ANN wood drying model[7]

用MATLAB传递函数能将图1所示的木材干燥的BP神经网络模型表示如下数学模型：

M=purelin（∑w21，IhI+b2）。（1）

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

第1期马翔宇等：落叶松木材干燥的BP神经网络模型研究

森林工程第31卷

式中：w1I，1表示隐层第I个神经元与输入层第一个节点之间的链接权，I =1，2，…，S，上标“1”表示第1层（隐层）神经元；w21，I表示输出层神经元与隐层第I个神经元之间的连接权值，上标“2”表示第2层（输出层）神经元；b1I表示隐层第I个神经元的阈值；b2表示输出层神经元的阈值；hI表示隐层第I个神经元的传递输出，I=1，2，…，S。

3模型的训练

木材干燥试验主要分为：预热、干燥、降温和湿热4项[9]。预热的前一天是木材干燥的初始阶段，不包含在数据的收集中，过一天之后，再记录数据。相隔4 h对试验设备内的变量进行一次数据记录，其变量包阔干球温度，湿度、循环风速及含水率的测量，再观测记录木材干燥表，进而可以测出干燥的时间。试验共收集120组数据，包括干球温度，湿度、循环风速及木材的含水率4个变量为木材干燥的测定值。由于，预热阶段的木材含水率不做预测[11-12]，即剔除前一天的数据，取后的试验数据来。

运用Matlab程序进行检验和验證，设学习速率lr=0.05，训练步长50；训练截止次数104次；训练精度0.001。根据迭代次数最少和运算时间最短来确定隐含层哪个层次为最优解，所测定的数据要通过归一化方法来进行归一化处理。

利用MATLAB软件，对给定的数据进行归一化处理后，使的变量和变量的取值范围在[-1，1]。

通过Premnmx对数据处理的表达式为：

AN=2×（A-mina）/（maxa-mina）-1。（3）

BN=2×（B-minb）/（maxb-minb）-1。（4）

即，输入值和输出值都会在区间[-1，1]。

通过以下3个公式为选择最佳隐层节点的参考公式：

n=n1+m+b。（5）

n=n1×m。（6）

n=logn12。（7）

式中：m为输出层节点数，n1为输入层节点数，n为隐层节点数，b为[1，10]之间的常数。

最优隐层节点数10是通过多次训练后得到的。其网络结构为4∶10∶1。此时，命名取为AH_net。我们再用改进BP算法来测定，设0.001是目标误差，0.05是学习速率，训练次数16 697次，能够使网络性能误差曲线达到稳定，均方误差函数mse=0.001 7，总体拟合精度为95.12%，其权值矩阵和阈值矩阵表达式如下：

4模型性能分析

4.1拟合精度分析

首先，给出精度计算公式：

Pc=1-∑|M^-M|/∑M。（8）

式中：Pc表示精度；M^表示木材含水率的理论值；M表示木材含水率的实际值。

其次，利用误差矩阵名称AH_net，在MATLAB系统按公式（8）进行精度分析，公式为：

Pc=1-sum（abs（AH_net））/sum（M）。（9）

上述表达式，在MATLAB中，sum代表累计函数，abs代表绝对值函数，AH_net为网络矩阵，在时系统会自动生成。

模型训练结果可以得出，总体拟合精度为96.12%，其落叶松木材干燥模型中结果是理想的。

4.2检验精度分析

再抽出40组数据为检验样本，且能求出落叶松木材干燥的含水率的理论值，也对落叶松木材的BP神经网络模型进行检验，拟合精度为93.42%。

在MATLAB中应用plot3（X，Y，Z）在三维空间中，绘制落叶松木材含水率的理论值与实际值的对照图，由此直观的检测模型的预测效果。如落叶松木材含水率在干球温度、循环风速的理论值与实际值的比较如图2所示，和落叶松木材含水率在干球温度、相对湿度上的理论值与实际值的比较如图3所示。均说明落叶松木材的BP神经网络模型，能预测的理论值与实际值的拟合效果比较好。

图2落叶松木材的含水率随干球温度、

湿度变化的实际值与预测理论值比较

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结论

在落叶松木材干燥的一周期的120组数据中，随机抽取80组作为网络模型的训练样本，用干球温度、湿度、循环风速及平衡含水率作为输入向

图3落叶松木材的含水率随干球温度、

循环风速变化的实际值与预测理论值比较

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，以落叶松木材含水率为输出变量，构建相应的结构为4∶S∶1的BP神经网络模型。该模型经过反复训练比较，得出隐层节点数最优质是10，即网络结构为4∶10∶1，网络模型取名为AH_net。模型训练结果表明，均方误差函数mse=0.001 7，说明网络性能误差曲线达到稳定，总体拟合精度为96.12%。再抽取40组数据作为检验数据，拟合精度是93.42%。并在三维空间中，绘制落叶松木材含水率的实际值和理论值的对比图，其理论值与实际值接近，结论达到人们满意。

【参考文献】

[1]卲千钧，徐群芳，王伟龙.木材干燥过程控制测咧与方法的研究[J].浙江林学院学报，2003，20（3）：307-310.

[2]方建军，曹崇文.利用人工神经网络建立谷物干燥模型[J].中国农业大学学报，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]葛哲学.精通MATLAB（第1版）[M].北京：电子工业出版社，2008.

[5]陈可，张琴舜，陈培培，等.BP神经网络在证券分析预测中的应用[J]，计算机工程，2001，11（27）：95-97.

[6]孙丽萍.木材含水率在线检测融合体系及仿真技术研究[D].哈尔滨：东北林业大学，2008.

[7]蒋宗礼.人工神经网络导论（1版）[M].北京：高等教育出版社，2001.

[8]谢健.基于人工神经网络的落叶松木材干燥模型研究[D].哈尔滨：东北林业大学，2013.

[9]高建民.木材干燥学[M].北京：科学出版社，2007

[10]戚大伟，牟洪波.人工神经网络在木材缺陷检测中的应用[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.