FSP近區(qū)段含水率預測算法及溫度自適應加權融合方法研究.pdf

1、木材是一種可再生、又可多次循環(huán)回用的資源,加以性能優(yōu)異、對環(huán)境友善、能耗亦低,是世界公認的綠色材料之一。木材干燥是保障和改善木材品質、提高木材利用率的重要環(huán)節(jié)。木材含水率(MC)是調控干燥過程、決定干燥質量的關鍵參數(shù)之一,而木材纖維飽和點(FSP)是木材性能重要的轉折點。
　　 由于電測法是檢測木材水分中離子團遷移及灰質等無機物的等效電阻值,而纖維飽和點含水率是自由水蒸發(fā)完,吸附水仍存留于細胞腔里的木材含水率轉折點,此區(qū)間木材的

2、直流電特性具有不穩(wěn)定性。經實驗觀察,用電測法測量木材纖維飽和點近區(qū)段含水率會出現(xiàn)測量值突然偏離真值的現(xiàn)象,即出現(xiàn)測量“盲點”。要進一步提高木材干燥過程中含水率全量程的檢測精度,需要解決木材纖維飽和點近區(qū)段含水率的檢測問題。
　　 本文首先研究了統(tǒng)計學習理論和支持向量機(SVM)模型。闡述了機器學習問題、經驗和結構風險最小化原則、學習機的VC維等基本理論;詳細分析了支持向量機的基本原理并且對回歸理論進行了詳細闡述。然后介紹了BP神

3、經網絡的基本原理,拓撲結構和映射關系;分析了BP神經網絡的訓練算法及算法構成思想。
　　 在研究木材含水率檢測原理的基礎上,本文提出支持向量機和BP神經網絡兩種方法對已測含水率數(shù)據進行訓練建模,然后預測得出纖維飽和點近區(qū)段含水率數(shù)值。仿真結果表明,BP神經網絡利用小樣本數(shù)據訓練,經常在預測時出現(xiàn)“過適配"現(xiàn)象;利用大樣本數(shù)據訓練,在預測時泛化能力較強,可以達到比較準確的預測效果。支持向量機預測精度比BP神經網絡預測精度高,而且只