落葉松木材干燥的BP神經網絡模型研究

馬翔宇　王曉豐　段文英

摘要：以落葉松木材為研究對象，實驗在東北林業大學干燥實驗室進行，采用MATLAB中logsigmoid型函數（logsig）和線性函數（purelin）為神經元的作用函數，用落葉松木材的干燥溫度、濕度、循環風速及平衡含水率作為輸入變量，以木材含水率作為輸出變量，構建了4∶S∶1的木材干燥的BP人工神經網絡模型。用120組數據對網絡模型進行訓練及檢驗，得最適宜的網絡結構為4∶10∶1，均方誤差函數mse=0.001 7，總體擬合精度為96.86%。該模型能夠運用到相同條件下的其他樹種的木材干燥。

關鍵詞：BP神經網絡；落葉松木材；干燥；木材含水率

中圖分類號：S 782.31文獻標識碼：A文章編號：1001-005X（2015）01-0063-03

Research on BP Neural Network Model of Larch Wood Drying

Ma Xiangyu，Wang Xiaofeng，Duan Wenying*

（College of Science，Northeast Forestry University，Harbin 150040）

Abstract：Taking the larch wood as the research object，the experiment is conducted in the drying laboratory at Northeast Forestry University.Logsigmoidtype function（logsig）and a linear function（purelin）in MATLAB are used as the role of neuronal function.Drying temperature，humidity，wind speed and equilibrium moisture content of the loop of larch wood are used as input variables，meanwhile the moisture content of wood as output variables，BP artificial neural network mode of 4∶S∶1 wood drying is constructed.The network model is trained and tested by 120 groups of data.The results showed that the most suitable network structure is 4∶10∶1，the mean square error function MSE is 0.0017，the general fitting accuracy was 96.86%.The model can be applied to other species under the same conditions of wood drying.

Keywords： BP neural network；larch wood；drying；wood moisture content

收稿日期：2014-06-11

基金項目：中央高校基本科研業務費專項資金項目（2572014BB20）

第一作者簡介：馬翔宇，碩士研究生，研究實習員。研究方向：生物數學。Email：maxiangyu_cheng@163.com

*通訊作者：段文英，碩士，教授。研究方向：生物數學。

Email：qiuzhiyun1956@163.com

引文格式：馬翔宇，王曉豐，段文英.落葉松木材干燥的BP神經網絡模型研究[J].森林工程，2015，31（1）：63-65.木材干燥是一個非線性干燥過程，它受一些外在的不確定因素影響著，因此干燥時必須控制好木材干燥系統[1，8-9]。本文應用BP神經網絡建模技術構建一般模型，經過具體數據訓練、分析確定最后模型。建模、訓練、分析都基于MATLAB系統，給出BP神經網絡結構圖和MATLAB數學模型[2-4，10]。

1實驗數據來源

本實驗在東北林業大學干燥實驗室進行，設備為GDS-100恒溫恒濕箱，工作室尺寸：400×500×500，設備調濕范圍：35～98%RH，波動度：±3%RH，調溫范圍：-0～100℃，波動度：±0.5℃，均勻性：±2℃；NEC多點溫度自動檢測系統；電子秤，精度分別為1 g和0.01 g；卡尺，精度為0.1 g；ZRQF智能風速計，精度為0.01 m/s。試驗材料為落葉松鋸材，鋸解后的板材規格為：長320 mm，寬150 mm，厚65 mm，鋸解過程中試件為10 mm厚的木片測定初含水率。

2模型的構建

首先給出模型的構建方法：選取干燥濕度X1、干燥溫度X2、循環風速X3和平衡含水率X4構成的矩陣作為輸入向量P，以含水率構成的矩陣為輸出向量Y。構建BP人工神經網絡的木材干燥模型結構為4∶S∶1，如圖1所示。顯而易見能夠看出該網絡是由輸入層，隱層、輸出層組成。通過反復訓練樣本的數據才能夠確定對應的隱層的節點數，用sigmoid傳遞函數來進行傳遞，即logsig函數；繼而構建多個輸入變量和單個輸出變量的BP網絡，此時選擇輸出層的傳遞函數為purelin。從輸入層至隱層的權值矩陣用IW表示，而隱層至輸出層的權值矩陣用LW表示，隱層神經元的閾值矩陣用b1表示，輸出層神經元的閾值矩陣用b2表示。

圖1木材干燥的BP神經網絡模型[7]

Fig.1 BP ANN wood drying model[7]

用MATLAB傳遞函數能將圖1所示的木材干燥的BP神經網絡模型表示如下數學模型：

M=purelin（∑w21，IhI+b2）。（1）

hI=logsig（w1I，1X1+w1I，2X2+w1I，3X3+w1I，4X4+b1I。（2）

第1期馬翔宇等：落葉松木材干燥的BP神經網絡模型研究

森林工程第31卷

式中：w1I，1表示隱層第I個神經元與輸入層第一個節點之間的鏈接權，I =1，2，…，S，上標“1”表示第1層（隱層）神經元；w21，I表示輸出層神經元與隱層第I個神經元之間的連接權值，上標“2”表示第2層（輸出層）神經元；b1I表示隱層第I個神經元的閾值；b2表示輸出層神經元的閾值；hI表示隱層第I個神經元的傳遞輸出，I=1，2，…，S。

3模型的訓練

木材干燥試驗主要分為：預熱、干燥、降溫和濕熱4項[9]。預熱的前一天是木材干燥的初始階段，不包含在數據的收集中，過一天之后，再記錄數據。相隔4 h對試驗設備內的變量進行一次數據記錄，其變量包闊干球溫度，濕度、循環風速及含水率的測量，再觀測記錄木材干燥表，進而可以測出干燥的時間。試驗共收集120組數據，包括干球溫度，濕度、循環風速及木材的含水率4個變量為木材干燥的測定值。由于，預熱階段的木材含水率不做預測[11-12]，即剔除前一天的數據，取后的試驗數據來。

運用Matlab程序進行檢驗和驗證，設學習速率lr=0.05，訓練步長50；訓練截止次數104次；訓練精度0.001。根據迭代次數最少和運算時間最短來確定隱含層哪個層次為最優解，所測定的數據要通過歸一化方法來進行歸一化處理。

利用MATLAB軟件，對給定的數據進行歸一化處理后，使的變量和變量的取值范圍在[-1，1]。

通過Premnmx對數據處理的表達式為：

AN=2×（A-mina）/（maxa-mina）-1。（3）

BN=2×（B-minb）/（maxb-minb）-1。（4）

即，輸入值和輸出值都會在區間[-1，1]。

通過以下3個公式為選擇最佳隱層節點的參考公式：

n=n1+m+b。（5）

n=n1×m。（6）

n=logn12。（7）

式中：m為輸出層節點數，n1為輸入層節點數，n為隱層節點數，b為[1，10]之間的常數。

最優隱層節點數10是通過多次訓練后得到的。其網絡結構為4∶10∶1。此時，命名取為AH_net。我們再用改進BP算法來測定，設0.001是目標誤差，0.05是學習速率，訓練次數16 697次，能夠使網絡性能誤差曲線達到穩定，均方誤差函數mse=0.001 7，總體擬合精度為95.12%，其權值矩陣和閾值矩陣表達式如下：

4模型性能分析

4.1擬合精度分析

首先，給出精度計算公式：

Pc=1-∑|M^-M|/∑M。（8）

式中：Pc表示精度；M^表示木材含水率的理論值；M表示木材含水率的實際值。

其次，利用誤差矩陣名稱AH_net，在MATLAB系統按公式（8）進行精度分析，公式為：

Pc=1-sum（abs（AH_net））/sum（M）。（9）

上述表達式，在MATLAB中，sum代表累計函數，abs代表絕對值函數，AH_net為網絡矩陣，在時系統會自動生成。

模型訓練結果可以得出，總體擬合精度為96.12%，其落葉松木材干燥模型中結果是理想的。

4.2檢驗精度分析

再抽出40組數據為檢驗樣本，且能求出落葉松木材干燥的含水率的理論值，也對落葉松木材的BP神經網絡模型進行檢驗，擬合精度為93.42%。

在MATLAB中應用plot3（X，Y，Z）在三維空間中，繪制落葉松木材含水率的理論值與實際值的對照圖，由此直觀的檢測模型的預測效果。如落葉松木材含水率在干球溫度、循環風速的理論值與實際值的比較如圖2所示，和落葉松木材含水率在干球溫度、相對濕度上的理論值與實際值的比較如圖3所示。均說明落葉松木材的BP神經網絡模型，能預測的理論值與實際值的擬合效果比較好。

圖2落葉松木材的含水率隨干球溫度、

濕度變化的實際值與預測理論值比較

Fig.2 Comparison between the actual value and the fitted

value for the moisture content of larch wood with the

variation of drying temperature and humidity

5結論

在落葉松木材干燥的一周期的120組數據中，隨機抽取80組作為網絡模型的訓練樣本，用干球溫度、濕度、循環風速及平衡含水率作為輸入向

圖3落葉松木材的含水率隨干球溫度、

循環風速變化的實際值與預測理論值比較

Fig.3 Comparison between the actual value and the

fitted value for the moisture content of larch wood with the

variation of drying temperature and wind speed

量，以落葉松木材含水率為輸出變量，構建相應的結構為4∶S∶1的BP神經網絡模型。該模型經過反復訓練比較，得出隱層節點數最優質是10，即網絡結構為4∶10∶1，網絡模型取名為AH_net。模型訓練結果表明，均方誤差函數mse=0.001 7，說明網絡性能誤差曲線達到穩定，總體擬合精度為96.12%。再抽取40組數據作為檢驗數據，擬合精度是93.42%。并在三維空間中，繪制落葉松木材含水率的實際值和理論值的對比圖，其理論值與實際值接近，結論達到人們滿意。

【參考文獻】

[1]卲千鈞，徐群芳，王偉龍.木材干燥過程控制測咧與方法的研究[J].浙江林學院學報，2003，20（3）：307-310.

[2]方建軍，曹崇文.利用人工神經網絡建立谷物干燥模型[J].中國農業大學學報，1997，2（6）：35-38.

[3]Jinescu G，Lavric V.The artificial neural networks and the drying process modeling [J].Dry Technology，1995，13（5-7）：1579-1586.

[4]葛哲學.精通MATLAB（第1版）[M].北京：電子工業出版社，2008.

[5]陳可，張琴舜，陳培培，等.BP神經網絡在證券分析預測中的應用[J]，計算機工程，2001，11（27）：95-97.

[6]孫麗萍.木材含水率在線檢測融合體系及仿真技術研究[D].哈爾濱：東北林業大學，2008.

[7]蔣宗禮.人工神經網絡導論（1版）[M].北京：高等教育出版社，2001.

[8]謝健.基于人工神經網絡的落葉松木材干燥模型研究[D].哈爾濱：東北林業大學，2013.

[9]高建民.木材干燥學[M].北京：科學出版社，2007

[10]戚大偉，牟洪波.人工神經網絡在木材缺陷檢測中的應用[J].森林工程，2006，22（1）：21-23.

[11]Milota M.HAP and VOC emissions from white fir lumber dried at high and conventional temperatures [J].Forest Products Journal，2003，53（3）：60-64.

[12]謝鍵，王曉豐，段文英，等，基于人工神經網絡的落葉松干燥模型研究[J].森林工程，2013，29（2）：58-61.

[責任編輯：胡建偉]