基于SVM的木材纤维饱和点近区段含水率预测模型研究

[目的]研究木材纤维饱和点近区段含水率预测模型。[方法]电阻法测量木材纤维饱和点近区段含水率会出现测量值突然偏离真值的现象,即出现测量“盲点”。在研究检测原理的基础上,提出利用支持向量机方法对已测木材含水率、温度和湿度数据进行训练建模,通过模型预测得出纤维饱和点近区段含水率数值。[结果]支持向量机方法建立的模型能够预测木材纤维饱和点近区段含水率数值,模型泛化能力强,预测精度高,而且只需要少量样本数据就可以实现预测,很好地解决了电阻法在测量过程中的“盲点”问题。[结论]支持向量机预测模型提高了木材干燥过程中全量程含水率的检测精度,对木材干燥过程的含水率建模具有一定研究意义。     

神经网络在木材干燥过程中建模的应用

针对木材干燥过程的非线性特性,以及环境因素对木材干燥过程的干扰,造成木材干燥建模困难的问题,通过对神经网络的非线性、并行结构,学习、推理和多变量处理能力的研究,以干燥窑的加热阀开度、喷湿阀开度、排潮阀开度3个控制信号作为输入量,以窑内温度、湿度2个量作为输出量,利用时延神经网络和动态递归神经网络分别建立了木材干燥过程中的温湿度控制模型和木材干燥基准模型.并通过干燥实验进行网络训练和测试.结果表明:时延神经网络建立的木材干燥温湿度模型和干燥基准模型比动态递归神经网络的误差小、网络输出接近于真实值,能够较好的逼近实际系统.     

基于Elman神经网络的气温预测研究

[目的]建立预测气温动态变化的Elman神经网络模型。[方法]参考温度的固有特性,应用1951～2010年的重庆温度数据,采用Elman人工神经网络模型对温度进行预测估计。[结果]实证仿真结果表明,模型的相对误差较小,能够对未来气温变化进行较好的模拟。[结论]该模型预测结果可以用于指导农业生产,并可以进一步应用到天气衍生品定价等领域。     

基于Elman神经网络的气温预测研究

[目的]建立预测气温动态变化的Elman神经网络模型。[方法]参考温度的固有特性,应用1951～2010年的重庆温度数据,采用Elman人工神经网络模型对温度进行预测估计。[结果]实证仿真结果表明,模型的相对误差较小,能够对未来气温变化进行较好的模拟。[结论]该模型预测结果可以用于指导农业生产,并可以进一步应用到天气衍生品定价等领域。     

基于KPCA和PSO-SVM的木材干燥过程在线优化建模研究

针对木材干燥过程样本数据存在较多噪声的问题,采用核主成分分析方法对木材干燥数据进行预处理,然后利用粒子群优化的支持向量机建立木材干燥系统的在线预测模型,并进行在线预测。仿真研究表明,对数据预处理后,降维训练样本建立的木材干燥模型能够获得很好的预测精度,计算量小,速度快。在线模型能够实时反映系统当前状态,在线优化模型结构并预测系统下一步输出,实现了木材含水率特性变化的动态预测。模型输出误差小、泛化能力强,能够满足实际干燥过程在线预测控制的需要,具有良好的实际应用价值和工业前景。     

木材干燥过程中应力与应变检测方法初探

[目的]探索木材干燥过程中应力与应变的检测方法。[方法]根据数字散斑相关方法的原理设计一种非接触式检测木材干燥应力的方法,用应变速率表示木材干燥过程中应力状态,研究木材表面测点位移与干燥时间、温度和含水率的关系。[结果]木材测点位移平均速率有一个峰值,温度越低,峰值出现得越晚,说明应变滞后于应力;同一材料、同一温度的平均位移曲线,端部的峰值先于中部出现。木材表面测点位移与干燥时间存在对数关系,与含水率变化呈线性关系。随着时间的推移,干燥速率下降,应变速率变小。[结论]影响木材干燥应力的主要因素有干燥应变速率、干燥温度、含水率梯度和温度梯度。     

基于神经网络的短期土壤墒情预测模型研究

为实现短期的土壤墒情预测,根据天津市蓟州区、静海区、宁河区、滨海新区的10个气象墒情自动监测站3年的数据,对短期土壤墒情预测模型进行研究。选取站点编号、空气温度、空气湿度、风速、风向等28项影响因子,用包含天气预报和不含天气预报的2组数据分别训练BP神经网络和Elman神经网络,并对4组预测模型结果进行对比分析。结果表明：不含天气预报的BP神经网络模型和包含天气预报的BP神经网络模型精度分别为94.79%、95.54%,不含天气预报的Elman神经网络模型和包含天气预报的Elman神经网络模型精度分别为96.85%、96.64%。研究认为,Elman神经网络具有稳定性好、精度高的特点;理论认为,含天气预报的模型精度比不含天气预报的模型精度高,BP神经网络表现出这一相关性,而Elman神经网络并没有表现出这一相关性。     

基于Elman神经网络的卷烟制丝松散回潮出口含水率控制方法

为提高制丝生产过程中松散回潮机出口含水率控制效果,利用历史生产数据,采用基于Elman神经网络建立松散回潮出口叶片含水率预测模型,通过逼近法给出当前生产环境温湿度下,指定出口叶片含水率对应的最佳加水比例。结果表明,通过Elman神经网络预估加水比例后,提高了出口含水率的控制效果。     

基于BP神经网络的木材近红外光谱树种识别

利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。     

灰色PID控制在木材干燥控制系统中的应用

利用自回归滑动平均模型方法建立木材干燥过程的数学模型,在此基础上对木材干燥过程的不确定部分建立灰色控制模型,分析灰色PID控制在木材干燥控制系统中的应用。仿真和试验结果表明:与传统PID方法相比,应用灰色PID算法的木材干燥控制系统的超调量更小、响应时间更短、系统更稳定;灰色PID方法提高了木材干燥控制系统的暂态性能和稳态性能,缩短了干燥时间,减小了水、电资源消耗;说明灰色PID控制算法应用于木材干燥过程,可行、有效。     

依据响应曲面法和BP神经网络对木纤维脉冲-旋流气流干燥工艺优化

为探讨脉冲-旋流气流干燥工艺对木质纤维终含水率的影响,选用Box-Behnken试验设计进行响应曲面法试验,考查杨木纤维脉冲-旋流气流干燥过程中主要工艺参数对终含水率的影响。结果表明:影响杨木纤维终含水率的工艺参数递次是初含水率、进风温度、进料速度和风速。选用TensorFlow框架借助python编程语言建构BP神经网络,搭建终含水率预测模型,结果显示:足够的样本数据反映出规律特征后,预测模型的优化效果得以改善。将响应曲面法试验和BP神经网络模型优化效果进行对照,响应曲面法和BP神经网络的ERMS值、R2值分别为0.2264、0.9834和0.4419、0.9794,反映出响应曲面法的优化水平更好。研究结果旨在为丰富木质纤维气流干燥理论体系及其工业化应用提供技术支持和理论依据。     

Elman动态递归神经网络在树木生长预测中的应用

该文充分考虑树木生长所特有的动态性、随机性和非线性,以及Elman动态递归模型的结构特点,获取北京山区油松解析木生长数据,分别建立了Elman型树木胸径生长和树高生长的神经网络动态模型.研究表明,Elman动态递归模型对非线性问题建模具有很好的拟和性和仿真性,其中,用于胸径生长建模时,其拟和精度达到99.45%,仿真精度达到99.42%;用于树高生长建模时,拟和精度达到 97.30%,仿真精度达到97.29%,而且其拟和和仿真曲线均为“S”形,符合树木生长规律.进一步对Elman动态模型和常规BP静态模型比较发现,Elman模型具有更好的拟和性、预测性和稳定性.      

BP神经网络模型在烟草烘烤过程中叶温变化预测中的应用

【目的】建立合适的BP神经网络模型,了解散叶烘烤过程中一系列烘烤因素对叶温变化的影响,为烤烟烘烤调制过程中叶温变化研究提供参考。【方法】运用叶温测定仪和温湿度自控仪记录烘烤过程中干球温度、湿球温度、相对湿度及干球温度与叶温的差值,并将此4项指标作为输入变量,叶温作为输出变量,建立一个拓扑结构为4—4-1的BP神经网络模型。【结果】所建立的BP神经网络模型模拟结果很快收敛,预测结果的绝对误差与相对误差小,预测所用的20组数据中相对误差〉1％的有8组数据,相对误差〉2％的有2组数据,相对误差〈1％的有12组数据。【结论】所建立的BP神经网络模型在对烟叶烘烤过程中叶温变化的预测效果较好。     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。     

基于PSO_LSSVM和Elman神经网络的北京市气温预测效果比较

利用北京市1960-2004年的月平均气温数据,建立最小二乘支持向量机(LSSVM)与Elman神经网络模型,分别运用粒子群算法(PSO)与试凑法对这2种模型进行优化,并对2005-2009年的月平均气温进行预测估计,比较2种模型的预测结果,以便找出更准确的气温预测模型。结果表明,2种模型总体上均能较好地拟合气温序列(R2均大于0.985),但是对于低温预测效果均相对欠佳;PSO_LSSVM预测误差(RMSE=1.380 6)明显小于Elman神经网络(RMSE=1.732 5),拟合精度更高,能更好地对短期气温变化进行模拟。因此,可用PSO_LSSVM模型进行气温预测,指导当地的农业生产与工业开发。     

基于小波包和Elman神经网络的异步电机转子断条 故障诊断方法

提出了一种基于小波包分析（WPA）和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明：基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.