專利名稱：基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的木材含水率檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及木材含水率的檢測方法，尤其是指一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型 的木材含水率檢測方法，主要用于木材加工領(lǐng)域木材干燥過程中木材含水率檢測。
背景技術(shù)：
木材是應(yīng)用最廣泛且可持續(xù)利用的工程材料之一。如何有效利用有限的木材資 源、降低能耗已引起各國政府的廣泛關(guān)注。我國是一個少林國家，如何更好地提高木材的利 用率并改善木材使用性能，成為擺在木材科學(xué)工作者面前亟待解決的問題之一。木材要利 用，首先要進(jìn)行干燥處理。木材含水率是調(diào)控干燥過程的關(guān)鍵參數(shù)，其測量的準(zhǔn)確性將直接 影響到本材干燥質(zhì)量的好壞、干燥成本的高低以及干燥周期的長短。國家標(biāo)準(zhǔn)GB1931-91《中華人民共和國國家標(biāo)準(zhǔn)木材含水率測定方法》是一種實(shí) 驗(yàn)測定方法，檢測木材含水率時需要把試材從干燥窯內(nèi)取出，在專門的實(shí)驗(yàn)設(shè)備上稱重、計(jì) 算。這種方法操作繁瑣，且無法實(shí)現(xiàn)木材干燥過程含水率的實(shí)時在線檢測。為了與木材干 燥自動生產(chǎn)裝置配套使用，提高勞動生產(chǎn)率，研究能自動檢測木材含水率的方法尤為重要。 目前，國內(nèi)外干燥企業(yè)普遍采用電阻法檢測木材含水率。木材是多孔性滲水和吸濕的物質(zhì)， 水分以多種形式存在于木材中，其結(jié)合能力相差很大。木材的化學(xué)結(jié)構(gòu)決定了它幾乎不含 有導(dǎo)電性良好的自由離子，但在電場作用下有電離現(xiàn)象，通常認(rèn)為木材微弱的導(dǎo)電性是離 子引起的，是與構(gòu)成木材聚合物的離子基締合在一起的離子或是由木材的無機(jī)成分中含有 的雜質(zhì)所產(chǎn)生的離子。溫度一定時，木材中自由離子的數(shù)目達(dá)到相對平衡。溫度升高時，組 成木材細(xì)胞壁分子的活性基(主要是對陽離子具有引力的纖維素的羥基)是具有一定能量 級的離子吸收了外施作用的離解能量而被離解點(diǎn)所釋放。被離解的離子變?yōu)樽杂呻x子，由 一個離解點(diǎn)向另一個離解點(diǎn)移動而傳導(dǎo)電流，離子吸收離解能量增多，電阻率降低[1]。因 此，采用電阻法檢測木材含水率，必須補(bǔ)償溫度對木材直流電阻的顯著影響。邱樹清等[2] 研究了電阻式木材含水率溫度自動補(bǔ)償?shù)挠布椒ㄐ拚蕼y量精度，該方法考慮了溫 度的影響因素，但補(bǔ)償硬件的漂移會影響整機(jī)精度，因此應(yīng)用上受到一定限制。于洋，賀永 珍[3，4]用公式法直接對木材直流電阻進(jìn)行溫度補(bǔ)償并在工程中得到了一定應(yīng)用，但由于 木材導(dǎo)電的復(fù)雜性和溫度影響的不確定性，使公式法存在擬合模型偏差的問題。到目前為 止，木材含水率的自動檢測的溫度補(bǔ)償方法還沒有一個普遍認(rèn)可且檢測精度較高的方法。神經(jīng)網(wǎng)絡(luò)是近年來人工智能研究的一個前沿領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)在解決“黑箱”建 模問題的優(yōu)勢為研究傳感器的非線性補(bǔ)償提供了新的方法。張耀鋒等[5]研究了一種多 路智能壓力傳感器數(shù)據(jù)采集電路，采用BP神經(jīng)網(wǎng)絡(luò)算法對其實(shí)現(xiàn)溫度的軟件補(bǔ)償，該算法 有效改善了傳感器的非線性及溫度變化所引起的輸出誤差，提高了測量精確性和可靠性。 袁巧霞[6]利用優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法研究了溫度、含水率與土壤比熱容的關(guān)系，可以很好 地預(yù)測土壤溫度和含水率對土壤比熱容的影響，其預(yù)測精度明顯優(yōu)于正交回歸模型預(yù)測精 度，且預(yù)測速度較快，操作簡便。楊德旭等[7]采用前饋BP神經(jīng)網(wǎng)絡(luò)汽車壓力傳感器進(jìn)行溫 度補(bǔ)償，提高了壓力傳感器的測量精度。嚴(yán)潔等[8]研究了基于BP神經(jīng)網(wǎng)絡(luò)的稱重傳感器靜態(tài)非線性誤差補(bǔ)償方法。馮寶平等[9]基于神經(jīng)網(wǎng)絡(luò)研究溫度對土壤水分入滲的影響， 建立土壤水分運(yùn)動的神經(jīng)網(wǎng)絡(luò)模型，采用BP算法訓(xùn)練網(wǎng)絡(luò)，研究土壤持水量受土溫影響的 問題，解決恒溫場實(shí)驗(yàn)方法和統(tǒng)計(jì)分析方法存在的缺陷。BP算法具有簡單、易行、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn)，是目前多層前饋神經(jīng)網(wǎng)絡(luò)訓(xùn) 練采用最多也是最為成熟的訓(xùn)練算法之一。BP算法是基于梯度下降的算法，在理論上不能 保證收斂結(jié)果是全局最優(yōu)的[10，11]，容易陷入局部最優(yōu)值。粒子群優(yōu)化算法是一種基于 群體進(jìn)化的全局優(yōu)化算法，它能夠快速獲得近似最優(yōu)的全局解，而且不會陷入局部極小；另 外，它的尋優(yōu)過程不依賴梯度信息，而且搜索效率高，具有很強(qiáng)的魯棒性[12]。粒子群優(yōu)化(ParticleSwarm Optimization，PS0)算法是 Kennedy 和 Eberhart 博士提出的一種演化計(jì)算技術(shù)[13，14]。粒子群算法也是源于對鳥類捕食行為的研究而提 出的。設(shè)想這樣一個場景一群鳥在隨機(jī)搜尋食物，在這個區(qū)域里只有一塊食物，所有鳥都 不知道食物在哪里，最簡單有效的方法就是搜尋目前離食物最近的鳥的周圍區(qū)域。PSO算法 就是從這種模型中得到啟示并用于解決優(yōu)化問題的。在PSO算法中，每個優(yōu)化問題的潛在 解都是搜索空間中的一只鳥，稱之為“粒子”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定適 應(yīng)值(Fitness Value)，每個粒子還有一個速度決定它們飛翔的方向和每一步的位移。然 后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。PSO算法需要初始化一群隨機(jī)粒子(隨 機(jī)解)，然后通過迭代找到最優(yōu)解，在每一次迭代中，粒子通過跟蹤兩個“極值”來更新自己。 第一個就是粒子本身所找到的最優(yōu)解，這個解稱為個體極值。另一個是整個種群目前找到 的最優(yōu)解，這個解稱為全局極值。PSO優(yōu)化算法與其他進(jìn)化算法類似，也是將尋優(yōu)的參數(shù)組 合成群體，通過對環(huán)境的適應(yīng)度來將群體中的個體向好的區(qū)域移動。與其他進(jìn)化算法不同， 在描述個體時，將其看成是D維尋優(yōu)搜索空間的一個沒有體積的粒子，結(jié)合微粒的歷史最 佳位置和群體歷史最佳位置信息，以一定速度向目標(biāo)值逼近。假設(shè)在一個D維的目標(biāo)搜索空間中，有m個粒子組成一個群落，將第i個粒子表示 為一個D維的向量5,.-Xid], i = 1，2. . . m，即第i個粒子在D維搜索空間中的位置是 ^。每一個粒子都是潛在的解，將^帶入一個目標(biāo)函數(shù)就可以計(jì)算出其適應(yīng)值，根據(jù)適應(yīng)值的 大小衡量馬的優(yōu)劣。第i個粒子的“飛翔”速度也是一個D維的向量，記為巧= , ，“&，速 度決定粒子在搜索空間單位迭代次數(shù)的位移。記第i個粒子群迄今為止搜索到的最優(yōu)位置為A =〖九，徹... ]，也稱為Pbest。整個粒子群迄今為止搜索到的最優(yōu)位置為兵，Pgi,…/V]，也稱為gbest。PSO算法運(yùn)行過程中，隨機(jī)產(chǎn)生一個初始種群并賦予每個粒子一個隨機(jī)速度，并根 據(jù)公式(1)和( 來更新粒子的速度和位置V^1'=WiW +C1W1 (p^ +(1)d+f (2)其中，vid是粒子的速度，w是慣性權(quán)值，C1, C2均為正實(shí)數(shù)，稱為學(xué)習(xí)因子，rand^ rand2是介于(0，1)之間的隨機(jī)數(shù)，Xid是粒子當(dāng)前位置，Pid代表粒子當(dāng)前最好位置，Pgd代 表種群當(dāng)前最好位置。粒子群優(yōu)化算法的發(fā)展十分迅速，改進(jìn)算法也有很多，由(1)和(2) 組成的迭代算法通常認(rèn)為是標(biāo)準(zhǔn)PSO算法。公式(1)中的第一部分w力稱為動量部分，表示粒子對當(dāng)前自身運(yùn)動狀態(tài)的信任，并為粒子提供了一個必要的動量，使其依據(jù)自身的速度進(jìn)行慣性運(yùn)動；第二部分 ^randx O^ -考)稱為認(rèn)知部分，代表了粒子自身的思考行為，鼓勵其飛向自身曾經(jīng)發(fā)現(xiàn)的最 佳位置。第三部分^^稱為社會部分，表示粒子間的信息共享與相互合作，它引 導(dǎo)粒子飛向粒子群的最佳位置。這三個部分之間的相互平衡和制約決定了算法的主要性 能。慣性權(quán)值w即是粒子上一次的速度對本次飛行速度的影響因子，它主要用于平衡粒子 群的全局搜索能力和局部搜索能力，慣性權(quán)值較大，全局搜索能力強(qiáng)，局部搜索能力弱，反 之，則局部搜索能力增強(qiáng)，而全局搜索能力減弱。有研究表明w對優(yōu)化性能的影響很大，較 大的w值有利于跳出局部極小點(diǎn)，而較小的w值有利于算法收斂。在參數(shù)優(yōu)化的過程中，PSO是一種基于迭代的隨機(jī)搜索算法，具有如下優(yōu)點(diǎn)⑴ PSO算法不僅僅能夠解決連續(xù)空間上的優(yōu)化問題，還可以解決離散空間上的優(yōu)化問題；PSO 一般采取實(shí)數(shù)編碼，不需要像GA那樣進(jìn)行變量的二進(jìn)制編碼。( PSO算法解的更新具有 一定的目的性，迭代過程中不需要諸如交叉、變異等的遺傳操作，而是根據(jù)微粒的速度來決 定搜索路徑。(3)PSO直接取目標(biāo)函數(shù)本身作為適應(yīng)度函數(shù)，根據(jù)目標(biāo)函數(shù)值也就是適應(yīng)值 進(jìn)行迭代搜索，而GA在求解極小值問題時需完成從目標(biāo)函數(shù)到適應(yīng)度函數(shù)的變換。(4) PSO 算法實(shí)現(xiàn)簡單，依賴于經(jīng)驗(yàn)值的參數(shù)少，需要調(diào)節(jié)的參數(shù)不多，且參數(shù)的選擇對尋優(yōu)結(jié)果影 響不大，尤其是算法在引入收斂因子后，完全可按經(jīng)驗(yàn)值設(shè)置參數(shù)即可獲得較好的收斂性。 而用GA對優(yōu)化問題進(jìn)行尋優(yōu)時，如何選取合適的選擇率、交叉率、變異率和保留率等諸多 控制參數(shù)，需要根據(jù)實(shí)際情況作多次測試和比較，算法的收斂效果在很大程度上取決于這 些參數(shù)的選取。( 兩者的信息共享機(jī)制不同，在遺傳算法中各染色體間互相共享信息，因 此整個種群比較均勻地向最優(yōu)區(qū)域移動。而在PSO中，只有群體中的當(dāng)前最優(yōu)微粒向其它 的微粒提供信息，屬于單向的信息流動，整個搜索更新過程是跟隨當(dāng)前最優(yōu)解的過程，與GA 相比，在大多數(shù)情況下所有微粒更快地收斂于最優(yōu)解。粒子群算法步驟1、根據(jù)具體問題，設(shè)置有關(guān)參數(shù)，如種群規(guī)模m，慣性權(quán)值w，學(xué)習(xí)因子C1和C2，算 法結(jié)束的條件等。2、初始化群體中的粒子，包括粒子的初始位置和初始速度。3、評價各粒子的適應(yīng)度。4、對每個粒子，將其適應(yīng)度值與歷史最好位置Pbest相比較，如果當(dāng)前適應(yīng)度值更 優(yōu)，則用當(dāng)前適應(yīng)度值更新pbest。5、將每個粒子的適應(yīng)度值與群體經(jīng)歷過的歷史最佳位置gbest相此較，如果比當(dāng)前 群體中最好的適應(yīng)度值更好，則將其置為新的同時記錄其索引號。6、根據(jù)公式⑴和公式⑵更新各粒子的位置和速度。7、計(jì)算優(yōu)化性能指標(biāo)，如果達(dá)到結(jié)束條件，則返回當(dāng)前最佳粒子的結(jié)果，算法結(jié) 束；否則返回乂印2，繼續(xù)下一循環(huán)。參考文獻(xiàn)[1]杜洪雙，李榮，修洪波，孫家杰，陳艷紅，趙燕.柞木干燥中電阻率與溫度和含 水率的關(guān)系.北華大學(xué)學(xué)報(bào)，2002，3 (4) =349-351[2]邱樹清.電阻式帶溫度全自動補(bǔ)償木材含水率的檢測.木工機(jī)床，1998. 2 17 18
5
[3]賀永珍，高林，王德明.WJK-2型微機(jī)木材干燥監(jiān)控系統(tǒng)的研制.北京林業(yè)木學(xué) 學(xué)報(bào)，1997，19(1) :1 7[4]于洋，張宏勛，張艷秋.窯用木材含水率聯(lián)機(jī)測量系統(tǒng).電子測量與儀器儀表， 2000，14(2) 57 60[5]嚴(yán)潔，趙研，張俊利.基于BP神經(jīng)網(wǎng)絡(luò)的稱重傳感器靜態(tài)非線性誤差補(bǔ)償研 究·傳感技術(shù)學(xué)報(bào)，2008. 21(6) =1025-1028[6]楊德旭，何鳳宇，魏利華.基于BP神經(jīng)網(wǎng)絡(luò)汽車傳感器溫度補(bǔ)償技術(shù)的研 究.農(nóng)機(jī)化研究，2008. 1 71-73[7]袁巧霞.溫度和含水率對土壤比熱容影響的神經(jīng)網(wǎng)絡(luò)預(yù)測.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2008. 39(5) :108-111[8]張耀鋒，孫以材.基于BP神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償?shù)膲毫鞲衅鳠o線數(shù)據(jù)采集系 統(tǒng)·傳感器世界，2008. 1 36-39[9]馮寶平，陳守倫.用BP網(wǎng)絡(luò)預(yù)測溫度對土壤水分入滲的影響.水利學(xué)報(bào)， 2003. 2 6-8,14[10]J. F. Kolene, B. J. Pollack. Back Propagation is Sensitive to Initial Conditions. NIPS, 1991 :860 867[11]張鈴，吳福朝，張鈸.多層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和綜合算法.軟件學(xué)報(bào)，1995， 6(7) 440 448[12]謝曉鋒，張文俊，楊之廉.微粒群算法綜述.控制與決策，2003，18 O) :1 134[13] J. Kennedy, R. C. Eberhart. Particle Swarm Optimization. In Proc. IEEE International Conference on NeuralNetworks, 1995 :1942 ~ 1948[14] R. C. Eberhart, J. Kennedy. A New Optimizer using Particle Swarm Theory. Proceedings of the sixthinternational symposium on micro machine and human science,1995 :39 4
發(fā)明內(nèi)容
本發(fā)明針對以上問題研究了基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的木材含水率檢測方 法，以提高木材含水率測試的精度、可靠性和魯棒性。基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的木材含水率檢測方法采用鳥類捕食行為最優(yōu)策 略的仿生方法，對木材含水率檢測融合網(wǎng)絡(luò)模型的權(quán)值進(jìn)行整體尋優(yōu)；以粒子群優(yōu)化算法 提供的接近最優(yōu)權(quán)值為初值，利用BP算法具有強(qiáng)大的非線性映射能力，且局部尋優(yōu)能力強(qiáng) 特點(diǎn)，對木材含水率檢測融合網(wǎng)絡(luò)模型的聯(lián)結(jié)權(quán)值進(jìn)一步尋優(yōu)，獲得最優(yōu)解；基于電測法檢 測木材含水率及環(huán)境溫度參數(shù)，建立粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，并以該模型應(yīng)用于木材含 水率的檢測。所述的粒子群算法采用群體進(jìn)化的全局優(yōu)化算法，訓(xùn)練網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值，快速獲 得近似最優(yōu)解空間，且不會陷入局部極小。但粒子群算法的收斂精度低，微調(diào)差，能快速收 斂至最優(yōu)解附近，但很難得到最優(yōu)解。再利用BP算法具有強(qiáng)大的非線性映射能力，且局部 尋優(yōu)能力強(qiáng)特點(diǎn)進(jìn)一步尋優(yōu)，得到網(wǎng)絡(luò)權(quán)值的最優(yōu)值。
神經(jīng)網(wǎng)絡(luò)模型采用MLP神經(jīng)網(wǎng)絡(luò)，輸入信號從輸入層節(jié)點(diǎn)，依次傳過各隱層節(jié) 點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。本發(fā)明先后取隱層節(jié) 點(diǎn)數(shù)分為12，23，5，8進(jìn)行訓(xùn)練，隱含層傳遞函數(shù)采用Sigmoid函數(shù)，輸出層傳遞函數(shù)采用線 性函數(shù)，最后確定隱層節(jié)點(diǎn)數(shù)為8，網(wǎng)絡(luò)各權(quán)值學(xué)習(xí)速率的選擇滿足網(wǎng)絡(luò)穩(wěn)定性定理，即采 用2-8-1的網(wǎng)絡(luò)結(jié)構(gòu)，η = 0. 3，α = 0.6,網(wǎng)絡(luò)學(xué)習(xí)10000次，誤差均方根小于1 X 10_6，這 時網(wǎng)絡(luò)訓(xùn)練結(jié)束。以歸一化后的木材含水率電壓值、溫度電壓值為輸入，木材含水率值為輸 出，建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。本發(fā)明采用基于群體進(jìn)化的全局優(yōu)化PSO算法，它能夠快速獲得近似最優(yōu)的全局 解，而且不會陷入局部極小；另外，它的尋優(yōu)過程不依賴梯度信息，而且搜索效率高，具有很 強(qiáng)的魯棒性。本發(fā)明試圖將BP算法和PSO算法相融合，即利用PSO算法的全局尋優(yōu)和收斂 速度快的特點(diǎn)，訓(xùn)練網(wǎng)絡(luò)的連接權(quán)值能快速收斂至最優(yōu)解附近，再利用BP算法具有無窮逼 近能力，且局部尋優(yōu)能力強(qiáng)的特點(diǎn)，在由PSO算法得到的一個接近最優(yōu)解的空間中，使用BP 算法進(jìn)一步尋優(yōu)，得到網(wǎng)絡(luò)權(quán)值的最優(yōu)值。本發(fā)明提出采用粒子群和BP相結(jié)合優(yōu)化算法訓(xùn) 練神經(jīng)網(wǎng)絡(luò)的權(quán)值，可以克服BP算法易陷入局部極小和收斂速度慢的缺點(diǎn)，從而更好的發(fā) 揮神經(jīng)網(wǎng)絡(luò)在木材含水率檢測系統(tǒng)中的作用，將該模型應(yīng)用于木材含水率的自動檢測中表 明，該方法能有效地消除木材含水率與環(huán)境主導(dǎo)因子溫度參數(shù)間的相互耦合和相關(guān)關(guān)系， 提高了木材含水率檢測精度，而且具有良好的魯棒性。


圖1 (a)木材含水率神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模式；圖1 (b)木材含水率神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)?zāi)Ｊ?；圖2基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法流程；圖3 (a)改進(jìn)BP算法訓(xùn)練誤差；圖3 (b)采用PSO結(jié)合BP算法訓(xùn)練誤差；圖4(a)含水率50% -30%之間37. 2°C環(huán)境溫度下木材含水率檢測結(jié)果；圖4(b)含水率50% -30%之間80. 1°C環(huán)境溫度下木材含水率檢測結(jié)果。
具體實(shí)施例方式
本發(fā)明提出了一種粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的木材含水率檢測方法，為了得到全 局最優(yōu)的神經(jīng)網(wǎng)絡(luò)權(quán)值，可以采用PSO和BP算法結(jié)合的方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，訓(xùn)練的過程分 為兩步。首先利用PSO算法的全局尋優(yōu)和收斂速度快的特點(diǎn)，訓(xùn)練網(wǎng)絡(luò)的聯(lián)接權(quán)值。但PSO 算法的收斂精度低，微調(diào)差，能快速收斂至最優(yōu)解附近，但很難得到最優(yōu)解。為解決這個問 題，在第二步中利用BP算法具有無窮逼近能力，且局部尋優(yōu)能力強(qiáng)的特點(diǎn)，在由PSO算法得 到的一個接近最優(yōu)解的空間B (W*)中，使用BP算法進(jìn)一步尋優(yōu)，得到網(wǎng)絡(luò)權(quán)值的最優(yōu)值礦。 采用這樣兩個步驟訓(xùn)練，充分發(fā)揮PSO算法和BP算法的各自優(yōu)勢，提高網(wǎng)絡(luò)訓(xùn)練的精度和 學(xué)習(xí)收斂的速度。采用粒子群優(yōu)化算法和BP算法相融合的方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，避免單純 BP算法訓(xùn)練速度慢，容易陷入局部極小值和全局搜索能力弱的缺點(diǎn)，應(yīng)用粒子群優(yōu)化神經(jīng) 網(wǎng)絡(luò)建立了木材含水率檢測融合模型，并通過實(shí)驗(yàn)仿真及實(shí)際系統(tǒng)對模型的性能進(jìn)行了驗(yàn) 證，結(jié)果表明該方法能有效地消除木材含水率與環(huán)境主導(dǎo)因子(溫度)間的相互耦合和相關(guān)關(guān)系，提高了木材含水率檢測精度。下面結(jié)合附圖對本發(fā)明做進(jìn)一步說明。

如圖1所示，木材含水率神經(jīng)網(wǎng)絡(luò)模型有兩種工作方式訓(xùn)練模式和工作模式。因 此，相應(yīng)的數(shù)據(jù)集也包含兩部分訓(xùn)練集與測試集。在訓(xùn)練模式中，輸入包括歸一化后的木 材含水率電壓值(Um)n和歸一化后的溫度電壓值(Ut)n，訓(xùn)練過程采用PSO與BP算法相結(jié)合 的訓(xùn)練算法，學(xué)習(xí)并調(diào)整權(quán)值，直至訓(xùn)練誤差減小到允許的范圍，如果該擴(kuò)展方式不能滿足 要求，則改變函數(shù)項(xiàng)次數(shù)，并不斷調(diào)整訓(xùn)練集直至誤差減小到所要求的范圍內(nèi)。該數(shù)學(xué)模型 確定以后，那么同種類型的傳感器都可以用此模型，將該數(shù)學(xué)模型寫入下位機(jī)中的單片機(jī) 中，每次訓(xùn)練時，再將最終訓(xùn)練得到的網(wǎng)絡(luò)權(quán)值存入每個單片機(jī)的EEPROM中即可。在工作 模式中，即實(shí)際的應(yīng)用時，將存儲在EEPROM的權(quán)值載入FLANN模型中，計(jì)算得到融合后的木 材含水率值。為了驗(yàn)證上述模型的有效性，對基于FLANN的木材含水率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了仿 真實(shí)驗(yàn)研究，實(shí)驗(yàn)所用硬件平臺為英特爾酷睿2雙核處理器E7400-2. 8GHZ，RAM-512M ；軟 件平臺為windows XP的操作系統(tǒng)，Matlab7. 0編程環(huán)境。選取Aspen為試驗(yàn)試材樹種，含 水率階段50%到30%為試驗(yàn)樣本，木材含水率真值由國家標(biāo)準(zhǔn)GB1931-91《中華人民共和 國國家標(biāo)準(zhǔn)木材含水率測定方法》確定，采用烘干法獲得，窯內(nèi)環(huán)境溫度變化范圍為20°C到 90°C，基于實(shí)際的干燥過程，每隔半小時測量一次木材含水率傳感器的輸出電壓值和窯內(nèi) 溫度(電壓值)，作為樣本輸入；同時通過稱重法記錄檢驗(yàn)板的質(zhì)量并計(jì)算出當(dāng)時的含水率 作為木材含水率的真值，作為樣本輸出。經(jīng)過整理，每組數(shù)據(jù)由同一窯內(nèi)溫度下的不同濕材 所測得數(shù)據(jù)組成，共得到96組輸入輸出數(shù)據(jù)，其中70組用來模型的訓(xùn)練，另26組用來模型 的測試。為去除冗余量、提高收斂速度，使神經(jīng)網(wǎng)絡(luò)更容易學(xué)習(xí)和訓(xùn)練，根據(jù)公式(3)和(4) 對所有樣本輸入輸出數(shù)據(jù)進(jìn)行歸一化處理，使其值在[-1，1]內(nèi)。(3)
權(quán)利要求
1.一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的木材含水率檢測方法，其特征在于采用鳥類捕 食行為最優(yōu)策略的仿生方法，對木材含水率檢測融合網(wǎng)絡(luò)模型的權(quán)值進(jìn)行整體尋優(yōu)；以粒 子群優(yōu)化算法提供的接近最優(yōu)權(quán)值為初值，利用BP算法具有強(qiáng)大的非線性映射能力，且局 部尋優(yōu)能力強(qiáng)特點(diǎn)，對木材含水率檢測融合網(wǎng)絡(luò)模型的聯(lián)結(jié)權(quán)值進(jìn)一步尋優(yōu)，獲得最優(yōu)解; 基于電測法檢測木材含水率及環(huán)境溫度參數(shù)，建立粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，并以該模型 應(yīng)用于木材含水率的檢測。
2.根據(jù)權(quán)利要求1所述的一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的木材含水率檢測方法， 其特征在于所述的粒子群算法采用群體進(jìn)化的全局優(yōu)化算法，訓(xùn)練網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值，快速 獲得近似最優(yōu)解空間，且不會陷入局部極小。但粒子群算法的收斂精度低，微調(diào)差，能快速 收斂至最優(yōu)解附近，但很難得到最優(yōu)解。再利用BP算法具有強(qiáng)大的非線性映射能力，且局 部尋優(yōu)能力強(qiáng)特點(diǎn)進(jìn)一步尋優(yōu)，得到網(wǎng)絡(luò)權(quán)值的最優(yōu)值。
3.根據(jù)權(quán)利要求1所述的一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的木材含水率檢測方法， 其特征在于所述的神經(jīng)網(wǎng)絡(luò)模型采用MLP神經(jīng)網(wǎng)絡(luò)，輸入信號從輸入層節(jié)點(diǎn)，依次傳過各 隱層節(jié)點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。本發(fā)明先后 取隱層節(jié)點(diǎn)數(shù)分為12，23，5，8進(jìn)行訓(xùn)練，隱含層傳遞函數(shù)采用Sigmoid函數(shù)，輸出層傳遞 函數(shù)采用線性函數(shù)，最后確定隱層節(jié)點(diǎn)數(shù)為8，網(wǎng)絡(luò)各權(quán)值學(xué)習(xí)速率的選擇滿足網(wǎng)絡(luò)穩(wěn)定性 定理，即采用2-8-1的網(wǎng)絡(luò)結(jié)構(gòu)，η =0.3，α = 0. 6，網(wǎng)絡(luò)學(xué)習(xí)10000次，誤差均方根小于 1X10—6，這時網(wǎng)絡(luò)訓(xùn)練結(jié)束。以歸一化后的木材含水率電壓值、溫度電壓值為輸入，木材含 水率值為輸出，建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
全文摘要
本發(fā)明公開了一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的木材含水率檢測方法。它將粒子群與BP算法相結(jié)合完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以提高網(wǎng)絡(luò)模型的訓(xùn)練精度；并將該模型應(yīng)用于木材含水率檢測，取得了良好的檢測精度。本發(fā)明優(yōu)點(diǎn)是1)利用粒子群優(yōu)化算法具有隨機(jī)化全局優(yōu)化搜索和收斂速度快的特性，對網(wǎng)絡(luò)的權(quán)值進(jìn)行整體尋優(yōu)，克服BP算法存在的收斂速度慢、容易陷入局部極小的缺點(diǎn)。2)BP算法以粒子群優(yōu)化算法提供的接近最優(yōu)權(quán)值為初值，利用其非線性映射能力，且局部尋優(yōu)能力強(qiáng)特點(diǎn)，進(jìn)一步尋優(yōu)，得到網(wǎng)絡(luò)權(quán)值的最優(yōu)值；3)基于電測法檢測木材含水率及環(huán)境溫度參數(shù)，建立粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，并應(yīng)用于木材含水率的檢測，驗(yàn)證了本發(fā)明的有效性。
文檔編號G06N3/08GK102072922SQ200910073258
公開日2011年5月25日 申請日期2009年11月25日 優(yōu)先權(quán)日2009年11月25日
發(fā)明者張佳薇, 曹軍, 李明寶 申請人:東北林業(yè)大學(xué), 張佳薇, 曹軍