论文部分内容阅读
目前,地球森林资源的不断减少与人们对木材持续增长的喜爱与需求构成了一对难以调和的矛盾。木材干燥是改变木材的物理力学性能,保证木制品品质的关键环节之一。然而目前我国大多数木材干燥设备存在自动控制水平低,可靠性差等不足,导致干燥能耗升高,木材降等损失严重等问题。设计木材干燥自动控制系统首先要考虑的就是建立木材干燥系统模型。针对木材干燥过程的强非线性、强耦合、大滞后等特点,建立木材干燥机理模型往往由于带有过多约束条件,导致模型过于复杂而难以实际应用。基于数据的机器学习方法属于实验建模方法,只需要对系统可观测的输入输出数据进行学习,即可建立能反映木材干燥系统宏观特性的模型。此类方法的出现,很好的解决了非线性系统建模的难题。支持向量机是Vapnik及其合作者于上世纪九十年代初提出的,其理论基础是统计学习理论。支持向量机是一种专门针对小样本的学习机器,由于以结构风险最小化原则为基础,克服了神经网络中的过学习等缺点,具有很强的泛化能力。本文针对木材干燥系统强非线性的特点,采用基于支持向量机的机器学习方法建立木材干燥模型。以实际干燥实验过程得到的系统数据作为样本集,分别进行支持向量机及最小二乘支持向量机的建模与仿真实验研究,结果表明基于支持向量机的木材干燥模型能够很好的反映木材干燥过程特性的变化。同时本文分析了不同类型的核函数、不同参数优化方法对木材干燥支持向量机模型性能的影响,以确定适用于木材干燥系统的核函数类型及参数优化方法。木材干燥过程具有一定的复杂性,离线建模方法往往不能很好的反映出木材干燥过程的动态特点。而在线建模方法由于能够在线更新训练样本及模型结构,能够实时反映系统当前状态,具有很好的动态特性,所以本文采用LSSVM方法进行了木材干燥过程的在线建模研究。标准的在线建模方法采用时间窗形式更新模型样本,即每加入一个新采集的样本数据,同时删除一个最早的历史数据进行木材干燥的在线建模。由于LSSVM不具有稀疏性,根据稀疏LSSVM理论,本文也提出了采用删除支持向量系数最小的样本方式在线更新模型样本进行在线建模。两种在线建模方法均取得良好的效果,能够准确的预测干燥过程木材含水率,这将为木材干燥在线控制的实现,提高木材干燥控制水平具有重要的理论和现实意义。