CN101017474A - 基于神经元网络模型的板材导热规律分析方法 - Google Patents

Abstract

本发明提供一种基于神经元网络模型的板材导热规律分析方法。该方法利用了输入键盘，计算机主机，显示器或/和打印输出装置，它包括如下步骤：1)输入根据实验得到的如下时间与相对温度的数据集合：X＝{x₁(t₁)，x₂(t₂)，…x_n(t_n})；2)开启接口引擎，用来完成数据的初步处理和传递，并作运算前的准备；3)进行后台运算；通过神经元网络模型的非线性逼近法计算出各项参数值；4)显示输出运算结果。利用本发明的分析方法对于由多种材料复合或多种材料层积复合所构成的复杂生物质材料进行检测分析，可以给出导热效能的规律函数，解决板材导热规律分析问题，填补了国内外木材科学导热规律研究领域的一项空白。

Description

基于神经元网络模型的板材导热规律分析方法

技术领域

本发明涉及一种基于神经元网络模型的板材导热规律分析方法，这类板材由多种材料复合或多种材料层积复合所构成的复杂生物质材料制成。

背景技术

目前，国内外科学家已研究出针对中等导热系数材料如塑料、环氧树脂、玻璃等导热系数理论和实际的检测方法。这些检测方法大致的检测原理是用一恒定电流通过一个附着在试件上表面(或下表面)的发热体，使发热体释放恒定的热量(或使发热体成为恒定的热源)，同时在距该发热体一定距离的试件上表面(或下表面)安放一温度采集传感器，接收试件的实时温度。然后用下述公式计算出导热系数λ的值：

$\mathrm{\λ}=\frac{Q*\mathrm{\δ}}{(t_1-t_2)*S}[W/m*K]$

其中：Q为被测材料内部的两个平行平面之间垂直方向上的热流速率；

S为传导表面积；

(t1-t2)为与两截面的温差；

δ为两截面的距离。

式中的函数比值即为在温度(t1-t2)/2下的λ值。

这种检测方法对上述中等导热系数材料的导热系数的测定是行之有效的，然而将这种方法用在由多种材料复合或多种材料层积复合所构成复杂的生物质材料上，则检测结果总是得到不准确的、不能令人信服的答案。最简单的例子是在用该种材料制成的地板的导热规律实测中，这种方法无法实现准确检测，最明显的表现是实验没有重复性。

这是因为由多种材料复合或多种材料层积复合所构成的复杂生物质材料在结构上有其自身的复杂性。以这种材料所制成的导热地板为例，在当今世界上生物质资源紧缺的情况下，为高效利用资源，地板厂商将导热地板做成三层甚至更多层，其中，地板的表面用珍贵树种，中间或下面用廉价的人工林树种。或者在强化地板的下表面裱装一层金属薄膜使其提高导热效率，这种结构完全不同于塑料、环氧树脂、玻璃等材料，如果用现有的导热系数方法去测量其导热系数，这就使得上述λ的值变得更加复杂和不确定，因为目前还没有人证明当不同材料复合后，λ的值可以累加，其测量结果就没有准确性可言。也就是说现有的导热系数测量方法不能准确地把握这种由多种材料复合或多种材料层积复合所构成的复杂生物质材料的导热规律。其次，用这种方法检测时，试件是暴露在外界的，测试时部分能量将从试件的边缘部分释放到所在的环境中，从而使检测的结果不准确，导致两次检测的结果相差很大。

针对上述问题，我们发明了板材导热效能的检测分析方法及其系统，该系统具有两腔恒温的特点，并首次提出导热效能的概念。

综上所述，找出针对由多种材料复合或多种材料层积复合所构成的复杂生物质材料导热性能及其规律，对于木材科学研究及建筑、装饰材料飞速发展的今天显得十分必要了。

发明内容

本发明针对由多种材料复合或多种材料层积复合所构成的复杂生物质材料自身的特点，提出了一种基于神经元网络模型的板材导热规律分析方法。它可以给出导热效能的规律函数，解决板材导热规律分析问题，填补了国内外木材科学导热规律研究领域的一项空白。

本发明的基于神经元网络模型的板材导热规律分析方法，该方法利用了输入键盘，计算机主机，显示器或/和打印输出装置，它包括如下步骤：

1)输入根据实验得到的如下时间与相对温度的数据集合：

X＝{x₁(t₁)，x₂(t₂)，…x_n(t_n})

其中，x为温度，t为一时间序列；

2)开启接口引擎，用来完成数据的初步处理和传递，并作运算前的准备；

3)进行后台运算；通过神经元网络模型的非线性逼近法计算出各项参数值；

4)显示输出运算结果。

上述方法中，所述后台运算采用专门的数学运算软件Matlab作为运算和分析的工具。

上述方法中，所述神经元网络模型的非线性逼近法包括如下步骤：

a.先进行标准化处理，再经神经元网络隐含层权矩阵的初步确定，然后计算出欧氏距离，最后通过自学习模型的修正后产生标准的权值函数；

b.将上述权值函数通过网络线性层权矩阵进行修正，再进行正规化处理，产生权值的线性函数。

上述方法中，所述开启接口引擎包括：数据格式转换，数据缓冲区的开辟。

利用本发明的基于神经元网络模型的板材导热规律分析方法对于由多种材料复合或多种材料层积复合所构成的复杂生物质材料进行检测分析，可以给出导热效能的规律函数，解决板材导热规律分析问题，填补了国内外木材科学导热规律研究领域的一项空白。可以进一步为木材科学领域的木材及木基复合材料导热性质和干燥性质的研究、探讨木材及木基复合材料机理、建筑、装修装饰材料的科学研究、以及木基复合材料属性鉴定，提供科学依据及量化指标。

附图说明

图1是用于网络性能评估的线性回归图。

具体实施方式

本发明的基于神经元网络模型的板材导热规律分析方法，利用了输入键盘，计算机主机，显示器或/和打印输出装置，它包括如下步骤：

1、变量输入：

根据实验得到如下时间与相对温度数据集合：

X＝{x₁(t₁)，x₂(t₂)，…x_n(t_n})

其中，x为温度，t为一时间序列。

2、接口引擎：

采用专门的数学运算软件Matlab作为其后台运算和分析的工具，将输入的参数信息通过Matlab与界面开发程序的接口送入到Matlab工作空间，参与计算，运算结束后能把运算结果以合适的数据格式返回，同时，提供一系列网络性能和训练结果分析的图表。Matlab接口模块主要作用包括：开启Matlab引擎、参数数据格式转换、参数由用户界面到后台Matlab的传送以及适宜大小的缓冲区的开辟。

3、进行后台运算(进入非线性逼近器)：

a1)在进入真正的运算网络之前，输入样本要进入标准化处理器，对于输入样本数据的值域区间进行标准化处理。通过标准化处理后将输入向量和目标输出向量量化为零均值和偏差为1的标准向量。下面是通过零均值和偏差型函数的实现过程。

[pn，meanp，stdp，tn，meant，stdt]＝prestd(p，t)

参数意义：p网络输入向量

          t目标输出向量

          pn量化后的输入向量

meanp    输入向量的均值

stdp     输入向量的偏差

tn       量化后的目标输出向量

meant    目标输出的均值

stdt     目标输出的偏差

a2)神经元网络运算过程：

该神经元网络模块中有Q个节点，R维输入，S维输出。神经元网络输入向量为P，神经元网络隐含层的权值设为P’，该层每个神经元节点的带权输入是输入向量和权向量之间的距离，即欧几里德距离‖dist‖。‖dist‖是欧几里德距离权函数，权函数把权重加到输入矩阵上以得到带权输入矩阵。

对于dist(W，P)，W为S×R权矩阵，P为Q维输入列向量矩阵，dist(W，P)返回S×Q维向量距离矩阵。

在该模型中将权矩阵W定义为P′，则

$\mathrm{dist}({P^{\text{'}}}_{Q\×R},P_{R\×Q})$

$=\mathrm{dist}(\left[\begin{array}{cccccc}{p}_{11}& p_{12}& .& .& .& p_{1R}\\ p_{21}& p_{22}& .& .& .& p_{2R}\\ .& .& & & & .\\ .& .& & & & .\\ .& .& & & & .\\ p_{Q1}& p_{Q2}& .& .& .& p_{\mathrm{QR}}\end{array}\right],\left[\begin{array}{cccccc}{p}_{11}& p_{21}& .& .& .& p_{Q1}\\ p_{12}& p_{22}& .& .& .& p_{Q2}\\ .& .& & & & .\\ .& .& & & & .\\ .& .& & & & .\\ p_{1R}& p_{2R}& .& .& .& p_{\mathrm{QR}}\end{array}\right])$

$={\left[\begin{array}{ccccccc}0& d_{12}& d_{13}& .& .& .& d_{1Q}\\ d_{21}& 0& d_{23}& .& .& .& d_{2Q}\\ d_{31}& d_{32}& 0& .& .& .& d_{3Q}\\ .& .& .& & & & .\\ .& .& .& & & & .\\ .& .& .& & & & .\\ d_{Q1}& d_{Q2}& d_{Q3}& .& .& .& 0\end{array}\right]}_{Q\×Q}$

式中d_ij表示矩阵P′第i个行向量与矩阵P第j个列向量间的距离，因此对角线上的元素均为0。

进而将dist(P′，P)与b¹作点乘，即

$\mathrm{dist}(P^{\text{'}},P)\·*b_1=\left[\begin{array}{ccccccc}0& d_{12}& d_{13}& .& .& .& d_{1Q}\\ d_{21}& 0& d_{23}& .& .& .& d_{2Q}\\ d_{31}& d_{31}& 0& .& .& .& d_{3Q}\\ .& .& .& & & & .\\ .& .& .& & & & .\\ .& .& .& & & & .\\ d_{Q1}& d_{Q2}& d_{Q3}& .& .& .& 0\end{array}\right]\·*\left[\begin{array}{cccccc}{b}_{11}& b_{12}& .& .& .& b_{1Q}\\ b_{21}& b_{22}& .& .& .& b_{2Q}\\ .& .& & & & .\\ .& .& & & & .\\ .& .& & & & .\\ b_{Q1}& b_{Q2}& .& .& .& b_{\mathrm{QQ}}\end{array}\right]=$

$\left[\begin{array}{ccccccc}0& b_{12}*d_{12}& b_{13}*d_{13}& .& .& .& b_{1Q}*d_{1Q}\\ b_{21}*d_{21}& 0& b_{23}*d_{23}& .& .& .& b_{2Q}*d_{2Q}\\ b_{31}*d_{31}& b_{32}*d_{32}& 0& .& .& .& b_{3Q}*d_{3Q}\\ .& .& .& & & & .\\ .& .& .& & & & .\\ .& .& .& & & & .\\ b_{Q1}*d_{Q1}& b_{Q2}*d_{Q2}& b_{Q3}*d_{Q3}& .& .& .& 0\end{array}\right]$ 每个神经

元的输出是网络输入的径向基函数。

利用高斯核函数(Gaussian kernel function)作为基函数的形式，如下式所示：

$u_j=\exp \left[\frac{{(X-C_j)}^T(X-C_j)}{{2\mathrm{\δ}}_j^2}\right]$ j＝1，2，...，N_h

其中，u_j是第j个隐层节点的输出，X＝(x₁，x₂，...，x_n)^T是输入样本，C_j是高斯函数的中心值，δ_j是标准化常数，N_h是隐层节点数。其隐含层节点中的作用函数(核函数)对输入信号将在局部产生响应，也就是说，当输入信号靠近核函数的中央范围时，隐层节点将产生较大的输出，由此，这种神经元网络具有局部逼近能力，所以径向基函数网络也成为局部感知场网络。由上式可知，节点的输出范围在0和1之间，如果一个神经元的权向量与其输入向量相等(转置)，其带权输入将为0，当其网络输入为0，则输出为1，且输入样本愈靠近节点的中心，输出值愈大。

b)经过基函数发生器，神经元节点输出为a¹，开始进入网络线性层。在网络线性层中首先要经过一个正规化处理器，然后再进入普通的线性神经元。在正规化处理器中，采用normprod函数来计算网络的输出向量n²。normprod是一个权函数，权函数将权重加到输入矩阵上得到带权矩阵。对于normprod(W，P)，W为S×R权矩阵，P为Q维输入列向量矩阵，normprod(W，P)返回S×Q维正规化点积。

在该网络中，将网络线性层的权矩阵设为网络的目标输出T_S×Q，即

normprod(T，a¹)

$=\mathrm{normprod}(\left[\begin{array}{cccccc}{t}_{11}& t_{12}& .& .& .& t_{1Q}\\ t_{21}& t_{22}& .& .& .& t_{2Q}\\ .& .& & & & .\\ .& .& & & & .\\ .& .& & & & .\\ t_{S1}& t_{S2}& .& .& .& t_{\mathrm{SQ}}\end{array}\right],\left[\begin{array}{cccccc}{a}_{11}& a_{12}& .& .& .& a_{1Q}\\ a_{21}& a_{22}& .& .& .& a_{2Q}\\ .& .& & & & .\\ .& .& & & & .\\ .& .& & & & .\\ a_{Q1}& a_{Q2}& .& .& .& a_{\mathrm{QQ}}\end{array}\right])$

$=\left[\begin{array}{cccccc}\frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{1j}*a_{j1}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{j1}}& \frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{1j}*a_{j2}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{j2}}& .& .& .& \frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{1j}*a_{\mathrm{jQ}}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{\mathrm{jQ}}}\\ \frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{2j}*a_{j1}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{j1}}& \frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{2j}*a_{j2}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{j2}}& .& .& .& \frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{2j}*a_{\mathrm{jQ}}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{\mathrm{jQ}}}\\ .& .& & & & .\\ .& .& & & & .\\ .& .& & & & .\\ \frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Sj}}*a_{j1}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{j1}}& \frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Sj}}*a_{j2}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{j2}}& .& .& .& \frac{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Sj}}*a_{\mathrm{jQ}}}{\underset{j=1}{\overset{j=Q}{\mathrm{\Σ}}}{a}_{\mathrm{jQ}}}\end{array}\right]$

本方法所采用的神经元网络是一个逼近器，只要隐单元足够多，它就可以逼近任意M元连续函数且对任一未知的非线性函数，总存在一组权值使网络对该函数的逼近效果最好。网络第二层也有与网络输入和目标向量相同的神经元节点数，这里将第二层的权值矩阵设为目标向量矩阵T。

4、输出：

当网络训练结束之后，用sim函数来仿真神经元网络的输出，从而与目标输出进行比较，来检验神经元网络的性能。函数postreg利用了线形回归的方法分析了神经元网络输出和目标输出的关系，即神经元网络输出变化相对于目标输出变化的变化率，从而评估了神经元网络的训练结果。

a＝sim(net，p)

[m，b，r]＝postreg(a，t)

函数postreg返回了3个值，m和b分别表示最优回归直线的斜率和y轴截距，当m等于1，b等于0的时候，神经元网络输出和目标输出完全相同，此时的神经元网络具有最优的性能。r表示网络输出与目标输出的相关系数，它越接近于1，表示网络输出与目标输出越接近，神经元网络性能越好。函数postreg显示的图形中，横坐标为目标输出，纵坐标为网络输出，“ο”表示数据，理想回归直线(神经元网络输出等于目标输出时的直线)由实线表示，最优回归直线由虚线表示。在神经元网络输出模块中，分别给出各个输出指标用来衡量神经元网络性能线性回归图形，输出图形如图1所示，从仿真图中可以看出其精度达到了98.99％。

Claims (4)

1、一种基于神经元网络模型的板材导热规律分析方法，该方法利用了输入键盘，计算机主机，显示器或/和打印输出装置，其特征在于，包括如下步骤：

1)输入根据实验得到的如下时间与相对温度的数据集合：

X＝{x₁(t₁)，x₂(t₂)，…x_n(t_n})

其中，x为温度，t为一时间序列；

2)开启接口引擎，用来完成数据的初步处理和传递，并作运算前的准备；

3)进行后台运算；通过神经元网络模型的非线性逼近法计算出各项参数值；

4)显示输出运算结果。

2、根据权利要求1所述的基于神经元网络模型的板材导热规律分析方法，其特征在于，所述后台运算采用专门的数学运算软件Matlab作为运算和分析的工具。

3、根据权利要求1或2所述的基于神经元网络模型的板材导热规律分析方法，其特征在于，所述神经元网络模型的非线性逼近法包括如下步骤：

a.先进行标准化处理，再经神经元网络隐含层权矩阵的初步确定，然后计算出欧氏距离，最后通过自学习模型的修正后产生标准的权值函数；

b.将上述权值函数通过网络线性层权矩阵进行修正，再进行正规化处理，产生权值的线性函数。

4、根据权利要求1所述的基于神经元网络模型的板材导热规律分析方法，其特征在于，所述开启接口引擎包括：数据格式转换，数据缓冲区的开辟。

Images