基于深度学习的木材含水率预测

夏春江，王培良，张　媛

(1.杭州电子科技大学新型电子器件研究所，浙江 杭州 310018；

2.湖州师范学院信息与控制技术研究所，浙江 湖州 313000)

摘要：精确测量木材含水率一直是木材干燥控制系统研究的热点和难点，含水率测量的准确性会直接影响到木材干燥质量的好坏和干燥成本的高低。为提高木材含水率检测的准确性，采用深度学习方法，建立了一种以深度信念网络为核心的木材含水率检测系统辨识模型。将该模型应用在深度学习预测控制算法中，根据实际测量得到的木材干燥窑的温湿度值及木材电阻率，实现对应木材含水率的预测输出。仿真结果表明，预测值与实际值之间的均方根误差小，预测精度高，说明了将深度学习算法应用于木材含水率预测模型中的有效性。

关键词：深度学习；木材含水率；深度信念网络；预测控制

DOI: 10.13954/j.cnki.hdu.2015.01.006

基于深度学习的木材含水率预测

夏春江1，王培良2，张媛2

(1.杭州电子科技大学新型电子器件研究所，浙江 杭州 310018；

2.湖州师范学院信息与控制技术研究所，浙江 湖州 313000)

摘要：精确测量木材含水率一直是木材干燥控制系统研究的热点和难点，含水率测量的准确性会直接影响到木材干燥质量的好坏和干燥成本的高低。为提高木材含水率检测的准确性，采用深度学习方法，建立了一种以深度信念网络为核心的木材含水率检测系统辨识模型。将该模型应用在深度学习预测控制算法中，根据实际测量得到的木材干燥窑的温湿度值及木材电阻率，实现对应木材含水率的预测输出。仿真结果表明，预测值与实际值之间的均方根误差小，预测精度高，说明了将深度学习算法应用于木材含水率预测模型中的有效性。

关键词：深度学习；木材含水率；深度信念网络；预测控制

DOI:10.13954/j.cnki.hdu.2015.01.006

收稿日期：2014-06-09

基金项目：浙江省自然科学基金资助项目(LY12F03008)；湖州市公益技术研究资助项目(2013GY02)

通信作者：

作者简介：夏春江(1990-)，男，浙江嵊州人，在读研究生，电子与通信工程.王培良教授，E-mail: wpl@hutc.zj.cn.

中图分类号：TP181

文献标识码：：A

文章编号：：1001-9146(2015)01-0031-05

Abstract:For precise detecting for the moisture content of wood has always been the hot spot of the research for wood drying control system. The accuracy of detecting for the moisture content will directly affect the quality of wood drying， and also the cost. To solve the problem of the low detection precision of the moisture content of wood， using the method of deep learning， and establishing an identification model for the moisture content of wood with the deep belief network. The identification model is applied in predictive control algorithm. In this model， the temperature， the humidity and the resistivity of wood are all as the input， and get the predictive value of the moisture content of wood. The result of simulation indicates that the root mean square error is little， and the precision of the predictive value is high， and also indicates that the effectiveness of the deep learning is applied in detecting the moisture content of wood.

0引言

木材干燥是木材加工的关键步骤，对木材进行正确合理的干燥处理，既是保证木制品质量的关键，又是节约能源、降低成本的重要手段。干燥窑内的温湿度、木材的实时含水率、木材的树种、树型等诸多因素对木材干燥的质量有着较大的影响，尤其是对木材含水率测量的准确性[1]。为提高木材含水率检测的准确性，选择一种适合木材干燥过程的预测算法，用来准确地预测对应木材含水率的实际值，有利于对试验数据的挖掘和分析，对于木材含水率检测工艺的发展具有极其重要的意义[2]。而机器学习算法的引入，为木材加工行业提高生产效率、节约能源提供了有力的保障。文献[3]中利用时延神经网络和动态递归神经网络作为处理核心分别建立了木材干燥处理模型。文献[4]以小波最小二乘支持向量机构建了辨识模型，将模型应用于木材含水率预测，获得了较好的预测效果。上述文献提到的神经网络和支持向量机均属于浅层结构的算法，浅层结构在给定有限数量的样本时很难有效地表示非线性复杂函数[5]。而深度学习作为更加贴近于人类大脑的一种神经网络学习算法，已在许多领域得到了有效应用。本文采用深度学习算法替代传统的浅层学习算法，提出了一种基于深度信念网络(Deep Belief Network， DBN)的木材含水率检测系统辨识模型。通过仿真实验进行算法的有效性验证，并与其它机器学习算法进行比较分析，结果表明，使用基于DBN算法对木材含水率检测系统进行辨识，实现了对木材含水率的预测，且预测效果良好。

1深度学习算法的引入

深度学习概念由Hinton等人于2006年在Science上提出，其基本思想可简单概括为：在一个n层的神经网络中每一层的输入和输出在抽象意义上是相等的，而其根本目的是为了能够得到有助于理解图片、声音、文本等数据所表述的意义而进行多层次的表示和抽取的学习[6]。深度学习作为机器学习的一种，它分为有监督学习和无监督学习两种学习方法，而本文所用的DBN是目前研究和应用都比较广泛的一种深度学习结构，它是一种无监督学习下的深度结构学习模型，由多个受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)累加组成，而RBM是一种典型的神经网络，该网络的可视层和隐层单元彼此互连(层内无连接)，隐单元可获取输入可视单元的高阶相关性[7]。

2木材含水率干燥基准模型设计

2.1　木材含水率辨识模型设计

文献[8]提出了一种基于支持向量机的木材含水率辨识模型，并对木材干燥过程中含水率的变化规律进行了分析。在此基础上，本节引入DBN学习算法，建立了基于DBN算法的木材含水率辨识模型。木材含水率干燥基准模型辨识结构示意图如图1所示，图1中，u(t)为木材含水率干燥基准系统的三维输入向量，即温度、湿度以及木材电阻率；y(t)为系统输出，输出量为木材含水率；y*(t)为DBN模型对木材含水率辨识的预测输出；TDL_m和TDL_n均为时间延迟，时间延迟的大小须根据仿真实验的误差来确定，本文将两种时间延迟大小均设为1。由于决定木材干燥速度的外部因素有很多，而本文中所有实验均在工厂的室内实验室里进行，因此主要考虑的外因为空气的温度、湿度、木材电阻率以及空气流动速度。干燥过程中风机一直处于全速运行状态，故不予考虑空气流动速度的影响。最后将训练好的DBN应用于木材含水率干燥基准系统中，根据不同的输入参数来预测输出对应的木材含水率。

图1　木材含水率干燥基准模型辨识结构示意图

2.2　基于木材含水率干燥基准模型的DBN训练

DBN的学习训练过程主要包括RBM网络无监督的自训练过程和BP网络有监督的微调训练。对于DBN的训练，如果同时训练所有层，时间复杂度很高，而贪婪逐层学习算法的引入，为DBN的学习带来了福音，文献[9]对于贪婪逐层学习算法为何能有效地训练DBN给出了比较详细的证明。本文引用贪婪逐层学习算法来预训练构建出DBN，并在此基础上对其中的网络层次进行合理的选择，以适合本文提出的木材含水率预测模型。在训练过程中，首先分别单独无监督地训练每一层RBM网络，确保特征向量映射到不同特征空间时，尽可能多地保留特征信息。接着在深度信念网络的最后一层设置BP网络，接收来自RBM的输出特征向量，并将这些特征向量作为BP网络的输入特征向量[10]。本文采用文献[11]提出的对比散度(Contrastive Divergence，CD)算法来训练RBM，具体步骤见文献[11]，并使用文献[12]提出的一种BP算法进行网络微调，算法步骤见文献[12]。

3基于DBN的木材含水率预测实验

3.1　实验样本的采集

所有实验数据均采集来自浙江湖州某木材加工企业，实验以柞木为研究对象，以木材含水率为基准量，共采集3 000组数据，随机选取其中2 600组数据作为深度信念网络的训练数据，选取340组作为验证数据，最后使用剩余的60组数据来测试网络的预测性能。部分实验数据如表1所示。

表1　部分实验数据

3.2　数据预处理

木材含水率的预测因子包括温度、湿度和木材电阻率，由于这些预测因子的物理意义和数量级均有所差异，因此，需要对原始数据进行归一化处理。本文采用最大最小法对原始数据进行归一化处理，数据经处理后，处于[0，1]之间，有利于网络的训练。计算表达式如下：

(1)

3.3　实验结果与分析

(2)

图3　基于GRNN的木材含水率预测

图2　基于DBN的木材含水率预测

表2　预测值与实际测量值的部分数据对比

表3　两种算法预测结果的RMSE比较

4结束语

本文以柞木为研究对象，利用深度学习方法，建立了以DBN为核心的木材含水率检测系统辨识模型，并将模型应用在预测控制算法中。通过预先采集样本数据对网络模型进行训练，训练后的模型能够辨识出输入数据(温度、湿度以及木材电阻率)与输出数据(木材含水率)之间的非线性关系，达到根据输入数据预测出对应木材含水率。为进一步验证DBN算法的优越性能，本文最后使用同一样本数据来训练GRNN网络，并将这两种网络模型预测的结果进行比较。仿真结果表明，基于DBN算法的木材含水率预测模型具有更高的预测精度。通过对试验数据的挖掘和分析，对于木材含水率检测工艺的发展具有非常重要的意义。

参考文献

[1]张璧光，伊松林，周永东.我国木材干燥设备制造业概况与存在的问题[J].干燥技术与设备，2011，9(4):176-178.

[2]邢佳莹，黎粤华，张佳薇.基于粒子群优化支持向量机的时间序列木材含水率预测[J].林业科技，2012，37(1):24-27.

[3]张延林，宋文龙，朱小利.神经网络在木材干燥过程中建模的应用[J].东北林业大学学报，2009，37(8):50-52.

[4]陈立生.基于小波支持向量机的木材干燥控制技术研究[J].自动化仪表，2011，32(4):7-9.

[5]Bengio Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning，2009，2(1):1-127.

[6]李海峰，李纯果.深度学习结构和算法比较分析[J].河北大学学报(自然科学版)，2012，32(5):538-544.

[7]孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究，2012，29(8):2 806-2 810.

[8]陈立生.基于支持向量机的木材干燥预测控制技术[D].黑龙江:东北林业大学，2011:1-16.

[9]Bengio Y， Lamblin P， Popovici D， et al. Greedy layer-wise training of deep networks[J]. Advances in neural information processing systems，2007，19(1):153.

[10]Hinton G， Osindero S， Teh Y W. A fast learning algorithm for deep beliefnets[J]. Neural Computation，2006，18(7):1 528-1 554.

[11]Hinton G. A practical guide to training restricted Boltzmann machines[J]. Momentum，2010，9(1):1-20.

[12]陈宇，郑德权，赵铁军.基于Deep Belief Nets的中文名实体关系抽取[J].软件学报，2012，23(10):2 572-2 585.

Prediction of Moisture Content of Wood Based on Deep Learning

Xia Chunjiang1， Wang Peiliang2， Zhang Yuan2

(1.InstituteofNewDevices，HangzhouDianziUniversity，HangzhouZhejiang310018，China;

2.InstituteofInformationandControlTechnology，HuzhouTeachersCollege，HuzhouZhejiang313000，China)

Key words: deep learning; moisture content of wood; deep belief network; predictive control