论文部分内容阅读
管胞长度是影响木材纤维质量、物理力学性能和制浆性能的主要指标。管胞长度的快速测定有助于木材的质量评等、合理利用以及定向栽培。本文应用近红外光谱技术(NIRS)快速预测落叶松木材的管胞长度，充分发挥了NIRS测定速度快、操作简便、重现性好等优点。文中采用人工神经网络化学计量学方法建立落叶松管胞长度近红外预测模型，同时分别探讨了响应面分析法和果蝇优化算法对网络模型的影响。所得结论如下: (1)采用Savitzky-Golay(SG)9点平滑和多元散射校正(MSC)对落叶松木材原始近红外光谱进行预处理，同时利用主成分分析法提取光谱数据的前14个主成分，建立三层BP网络模型。采用Levengerg-Marquardt(LM)优化算法训练网络，所得BP模型校正集相关系数R为0.8296，校正集均方根误差为0.1705，验证集相关系数R为0.8666，验证集均方根误差为0.1547。结果表明，基于近红外光谱技术和BP神经网络能够实现落叶松管胞长度的有效预测，且满足精度要求。 (2)采用响应面分析法(RSM)对BP神经网络的参数寻优，以验证集均方根误差最小为优化目标，根据Box-Behnken试验设计原理，通过拟合二次响应面回归方程，获得各个参数的最优解:学习速率为0.16，动量因子为0.1，隐含层神经元个数为2，训练次数为2995。由RSM-BP模型所得校正集的相关系数R为0.9200，校正集的均方根误差为0.1150，验证集的相关系数R为0.9312，验证集的均方根误差为0.0721。结果表明，响应面分析法能够优化BP模型的主要参数，从而有效提高模型的稳定性和预测精度。 (3)采用广义回归神经网络解析近红外光谱数据，从而快速预测落叶松管胞长度。引入果蝇优化算法对GRNN的扩展参数SPREAD寻优，获得最优SPREAD值为0.1407。由FOA-GRNN模型所得校正集相关系数R为0.9404，校正集均方根误差为0.0605，验证集相关系数R为0.9687，验证集均方根误差为0.0291。结果表明，果蝇优化算法能够实现广义回归神经网络的SPREAD参数寻优，充分发挥了广义回归神经网络处理小批量、非稳定性样本的优越性。