CN102072922B - 基于粒子群优化神经网络模型的木材含水率检测方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化神经网络模型的木材含水率检测方法。它将粒子群与BP算法相结合完成神经网络训练，以提高网络模型的训练精度；并将该模型应用于木材含水率检测，取得了良好的检测精度。本发明优点是：1)利用粒子群优化算法具有随机化全局优化搜索和收敛速度快的特性，对网络的权值进行整体寻优，克服BP算法存在的收敛速度慢、容易陷入局部极小的缺点。2)BP算法以粒子群优化算法提供的接近最优权值为初值，利用其非线性映射能力，且局部寻优能力强特点，进一步寻优，得到网络权值的最优值；3)基于电测法检测木材含水率及环境温度参数，建立粒子群优化神经网络模型，并应用于木材含水率的检测，验证了本发明的有效性。

Description

基于粒子群优化神经网络模型的木材含水率检测方法

技术领域

本发明涉及木材含水率的检测方法，尤其是指一种基于粒子群优化神经网络模型的木材含水率检测方法，主要用于木材加工领域木材干燥过程中木材含水率检测。

背景技术

木材是应用最广泛且可持续利用的工程材料之一。如何有效利用有限的木材资源、降低能耗已引起各国政府的广泛关注。我国是一个少林国家，如何更好地提高木材的利用率并改善木材使用性能，成为摆在木材科学工作者面前亟待解决的问题之一。木材要利用，首先要进行干燥处理。木材含水率是调控干燥过程的关键参数，其测量的准确性将直接影响到本材干燥质量的好坏、干燥成本的高低以及干燥周期的长短。

国家标准GB1931-91《中华人民共和国国家标准木材含水率测定方法》是一种实验测定方法，检测木材含水率时需要把试材从干燥窑内取出，在专门的实验设备上称重、计算。这种方法操作繁琐，且无法实现木材干燥过程含水率的实时在线检测。为了与木材干燥自动生产装置配套使用，提高劳动生产率，研究能自动检测木材含水率的方法尤为重要。目前，国内外干燥企业普遍采用电阻法检测木材含水率。木材是多孔性渗水和吸湿的物质，水分以多种形式存在于木材中，其结合能力相差很大。木材的化学结构决定了它几乎不含有导电性良好的自由离子，但在电场作用下有电离现象，通常认为木材微弱的导电性是离子引起的，是与构成木材聚合物的离子基缔合在一起的离子或是由木材的无机成分中含有的杂质所产生的离子。温度一定时，木材中自由离子的数目达到相对平衡。温度升高时，组成木材细胞壁分子的活性基(主要是对阳离子具有引力的纤维素的羟基)是具有一定能量级的离子吸收了外施作用的离解能量而被离解点所释放。被离解的离子变为自由离子，由一个离解点向另一个离解点移动而传导电流，离子吸收离解能量增多，电阻率降低[1]。因此，采用电阻法检测木材含水率，必须补偿温度对木材直流电阻的显著影响。邱树清等[2]研究了电阻式木材含水率温度自动补偿的硬件方法修正含水率测量精度，该方法考虑了温度的影响因素，但补偿硬件的漂移会影响整机精度，因此应用上受到一定限制。于洋，贺永珍[3，4]用公式法直接对木材直流电阻进行温度补偿并在工程中得到了一定应用，但由于木材导电的复杂性和温度影响的不确定性，使公式法存在拟合模型偏差的问题。到目前为止，木材含水率的自动检测的温度补偿方法还没有一个普遍认可且检测精度较高的方法。

神经网络是近年来人工智能研究的一个前沿领域，人工神经网络在解决“黑箱”建模问题的优势为研究传感器的非线性补偿提供了新的方法。张耀锋等[5]研究了一种多路智能压力传感器数据采集电路，采用BP神经网络算法对其实现温度的软件补偿，该算法有效改善了传感器的非线性及温度变化所引起的输出误差，提高了测量精确性和可靠性。袁巧霞[6]利用优化BP神经网络方法研究了温度、含水率与土壤比热容的关系，可以很好地预测土壤温度和含水率对土壤比热容的影响，其预测精度明显优于正交回归模型预测精度，且预测速度较快，操作简便。杨德旭等[7]采用前馈BP神经网络汽车压力传感器进行温度补偿，提高了压力传感器的测量精度。严洁等[8]研究了基于BP神经网络的称重传感器静态非线性误差补偿方法。冯宝平等[9]基于神经网络研究温度对土壤水分入渗的影响，建立土壤水分运动的神经网络模型，采用BP算法训练网络，研究土壤持水量受土温影响的问题，解决恒温场实验方法和统计分析方法存在的缺陷。

BP算法具有简单、易行、计算量小、并行性强等优点，是目前多层前馈神经网络训练采用最多也是最为成熟的训练算法之一。BP算法是基于梯度下降的算法，在理论上不能保证收敛结果是全局最优的[10，11]，容易陷入局部最优值。粒子群优化算法是一种基于群体进化的全局优化算法，它能够快速获得近似最优的全局解，而且不会陷入局部极小；另外，它的寻优过程不依赖梯度信息，而且搜索效率高，具有很强的鲁棒性[12]。

粒子群优化(Particle Swarm Optimization，PSO)算法是Kennedy和Eberhart博士提出的一种演化计算技术[13，14]。粒子群算法也是源于对鸟类捕食行为的研究而提出的。设想这样一个场景：一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有鸟都不知道食物在哪里，最简单有效的方法就是搜寻目前离食物最近的鸟的周围区域。PSO算法就是从这种模型中得到启示并用于解决优化问题的。在PSO算法中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定适应值(Fitness Value)，每个粒子还有一个速度决定它们飞翔的方向和每一步的位移。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO算法需要初始化一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解称为个体极值。另一个是整个种群目前找到的最优解，这个解称为全局极值。PSO优化算法与其他进化算法类似，也是将寻优的参数组合成群体，通过对环境的适应度来将群体中的个体向好的区域移动。与其他进化算法不同，在描述个体时，将其看成是D维寻优搜索空间的一个没有体积的粒子，结合微粒的历史最佳位置和群体历史最佳位置信息，以一定速度向目标值逼近。

假设在一个D维的目标搜索空间中，有m个粒子组成一个群落，将第i个粒子表示为一个D维的向量i＝1，2...m，即第i个粒子在D维搜索空间中的位置是

每一个粒子都是潜在的解，将

带入一个目标函数就可以计算出其适应值，根据适应值的大小衡量

的优劣。第i个粒子的“飞翔”速度也是一个D维的向量，记为速度决定粒子在搜索空间单位迭代次数的位移。

记第i个粒子群迄今为止搜索到的最优位置为

也称为p_besi。

整个粒子群迄今为止搜索到的最优位置为

也称为g_best。

PS0算法运行过程中，随机产生一个初始种群并赋予每个粒子一个随机速度，并根据公式(1)和(2)来更新粒子的速度和位置：

$v_{\mathrm{id}}^{(t+1)}={\mathrm{wv}}_{\mathrm{id}}^{\left(t\right)}+c_1{\mathrm{rand}}_1(p_{\mathrm{id}}^{\left(t\right)}-x_{\mathrm{id}}^{\left(t\right)})+c_2{\mathrm{rand}}_2(p_{\mathrm{gd}}^{\left(t\right)}-x_{\mathrm{id}}^{\left(t\right)})---\left(1\right)$

$x_{\mathrm{id}}^{(t+1)}=x_{\mathrm{id}}^{\left(t\right)}+v_{\mathrm{id}}^{\left(t\right)}---\left(2\right)$

其中，v_id是粒子的速度，w是惯性权值，c₁，c₂均为正实数，称为学习因子，rand₁、rand₂是介于(0，1)之间的随机数，x_id是粒子当前位置，p_id代表粒子当前最好位置，p_gd代表种群当前最好位置。粒子群优化算法的发展十分迅速，改进算法也有很多，由(1)和(2)组成的迭代算法通常认为是标准PSO算法。

公式(1)中的第一部分

称为动量部分，表示粒子对当前自身运动状态的信任，并为粒子提供了一个必要的动量，使其依据自身的速度进行惯性运动；第二部分

称为认知部分，代表了粒子自身的思考行为，鼓励其飞向自身曾经发现的最佳位置。第三部分

称为社会部分，表示粒子间的信息共享与相互合作，它引导粒子飞向粒子群的最佳位置。这三个部分之间的相互平衡和制约决定了算法的主要性能。惯性权值w即是粒子上一次的速度对本次飞行速度的影响因子，它主要用于平衡粒子群的全局搜索能力和局部搜索能力，惯性权值较大，全局搜索能力强，局部搜索能力弱，反之，则局部搜索能力增强，而全局搜索能力减弱。有研究表明w对优化性能的影响很大，较大的w值有利于跳出局部极小点，而较小的w值有利于算法收敛。

在参数优化的过程中，PSO是一种基于迭代的随机搜索算法，具有如下优点：(1)PSO算法不仅仅能够解决连续空间上的优化问题，还可以解决离散空间上的优化问题；PSO一般采取实数编码，不需要像GA那样进行变量的二进制编码。(2)PSO算法解的更新具有一定的目的性，迭代过程中不需要诸如交叉、变异等的遗传操作，而是根据微粒的速度来决定搜索路径。(3)PSO直接取目标函数本身作为适应度函数，根据目标函数值也就是适应值进行迭代搜索，而GA在求解极小值问题时需完成从目标函数到适应度函数的变换。(4)PSO算法实现简单，依赖于经验值的参数少，需要调节的参数不多，且参数的选择对寻优结果影响不大，尤其是算法在引入收敛因子后，完全可按经验值设置参数即可获得较好的收敛性。而用GA对优化问题进行寻优时，如何选取合适的选择率、交叉率、变异率和保留率等诸多控制参数，需要根据实际情况作多次测试和比较，算法的收敛效果在很大程度上取决于这些参数的选取。(5)两者的信息共享机制不同，在遗传算法中各染色体间互相共享信息，因此整个种群比较均匀地向最优区域移动。而在PSO中，只有群体中的当前最优微粒向其它的微粒提供信息，属于单向的信息流动，整个搜索更新过程是跟随当前最优解的过程，与GA相比，在大多数情况下所有微粒更快地收敛于最优解。

粒子群算法步骤

1、根据具体问题，设置有关参数，如种群规模m，惯性权值w，学习因子c₁和c₂，算法结束的条件等。

2、初始化群体中的粒子，包括粒子的初始位置和初始速度。

3、评价各粒子的适应度。

4、对每个粒子，将其适应度值与历史最好位置P_best相比较，如果当前适应度值更优，则用当前适应度值更新P_best。

5、将每个粒子的适应度值与群体经历过的历史最佳位置g_best相此较，如果比当前群体中最好的适应度值更好，则将其置为新的g_best，同时记录其索引号。

6、根据公式(1)和公式(2)更新各粒子的位置和速度。

7、计算优化性能指标，如果达到结束条件，则返回当前最佳粒子的结果，算法结束；否则返回Step2，继续下一循环。

参考文献

[1]杜洪双，李荣，修洪波，孙家杰，陈艳红，赵燕.柞木干燥中电阻率与温度和含水率的关系.北华大学学报，2002，3(4)：349-351

[2]邱树清.电阻式带温度全自动补偿木材含水率的检测.木工机床，1998.2：17～18

[3]贺永珍，高林，王德明.WJK-2型微机木材干燥监控系统的研制.北京林业大学学报，1997，19(1)：1～7

[4]于洋，张宏勋，张艳秋.窑用木材含水率联机测量系统.电子测量与仪器仪表，2000，14(2)：57～60

[5]严洁，赵研，张俊利.基于BP神经网络的称重传感器静态非线性误差补偿研究.传感技术学报，2008.21(6)：1025-1028

[6]杨德旭，何凤宇，魏利华.基于BP神经网络汽车传感器温度补偿技术的研究.农机化研究，2008.1：71-73

[7]袁巧霞.温度和含水率对土壤比热容影响的神经网络预测.农业机械学报，2008.39(5)：108-111

[8]张耀锋，孙以材.基于BP神经网络温度补偿的压力传感器无线数据采集系统.传感器世界，20081：36-39

[9]冯宝平，陈守伦.用BP网络预测温度对土壤水分入渗的影响.水利学报，2003.2：6-8，14

[10]J.F.Kolene，B.J.Pollack.Back Propagation is Sensitive to Initial Conditions.NIPS，1991：860～867

[11]张铃，吴福朝，张钹.多层前馈神经网络的学习和综合算法.软件学报，1995，6(7)：440～448

[12]谢晓锋，张文俊，杨之廉.微粒群算法综述.控制与决策，2003，18(2)：129～134

[13]J.Kennedy，R.C.Eberhart.Particle Swarm Optimization.In Proc.IEEE International Conference on NeuralNetworks，1995：1942～1948

[14]R.C.Eberhart，J.Kennedy.A New Optimizer using Particle Swarm Theory.Proceedings of the sixthinternational symposium on micro machine and human science，1995：39～43

发明内容

本发明针对以上问题研究了基于粒子群优化神经网络模型的木材含水率检测方法，以提高木材含水率测试的精度、可靠性和鲁棒性。

基于粒子群优化神经网络模型的木材含水率检测方法采用鸟类捕食行为最优策略的仿生方法，对木材含水率检测融合网络模型的权值进行整体寻优；以粒子群优化算法提供的接近最优权值为初值，利用BP算法具有强大的非线性映射能力，且局部寻优能力强特点，对木材含水率检测融合网络模型的联结权值进一步寻优，获得最优解；基于电测法检测木材含水率及环境温度参数，建立粒子群优化神经网络模型，并以该模型应用于木材含水率的检测。

所述的粒子群算法：采用群体进化的全局优化算法，训练网络的联结权值，快速获得近似最优解空间，且不会陷入局部极小。但粒子群算法的收敛精度低，微调差，能快速收敛至最优解附近，但很难得到最优解。再利用BP算法具有强大的非线性映射能力，且局部寻优能力强特点进一步寻优，得到网络权值的最优值。

神经网络模型：采用MLP神经网络，输入信号从输入层节点，依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。本发明先后取隐层节点数分为12，23，5，8进行训练，隐含层传递函数采用Sigmoid函数，输出层传递函数采用线性函数，最后确定隐层节点数为8，网络各权值学习速率的选择满足网络稳定性定理，即采用2-8-1的网络结构，η＝0.3，α＝0.6，网络学习10000次，误差均方根小于1×10^-6，这时网络训练结束。以归一化后的木材含水率电压值、温度电压值为输入，木材含水率值为输出，建立神经网络结构。

本发明采用基于群体进化的全局优化PSO算法，它能够快速获得近似最优的全局解，而且不会陷入局部极小；另外，它的寻优过程不依赖梯度信息，而且搜索效率高，具有很强的鲁棒性。本发明试图将BP算法和PSO算法相融合，即利用PSO算法的全局寻优和收敛速度快的特点，训练网络的连接权值能快速收敛至最优解附近，再利用BP算法具有无穷逼近能力，且局部寻优能力强的特点，在由PSO算法得到的一个接近最优解的空间中，使用BP算法进一步寻优，得到网络权值的最优值。本发明提出采用粒子群和BP相结合优化算法训练神经网络的权值，可以克服BP算法易陷入局部极小和收敛速度慢的缺点，从而更好的发挥神经网络在木材含水率检测系统中的作用，将该模型应用于木材含水率的自动检测中表明，该方法能有效地消除木材含水率与环境主导因子温度参数间的相互耦合和相关关系，提高了木材含水率检测精度，而且具有良好的鲁棒性。

附图说明

图1(a)木材含水率神经网络模型训练模式；

图1(b)木材含水率神经网络模型检验模式；

图2基于粒子群优化神经网络学习算法流程；

图3(a)改进BP算法训练误差；

图3(b)采用PSO结合BP算法训练误差；

图4(a)含水率50％-30％之间37.2℃环境温度下木材含水率检测结果；

图4(b)含水率50％-30％之间80.1℃环境温度下木材含水率检测结果。

具体实施方式

本发明提出了一种粒子群优化神经网络模型的木材含水率检测方法，为了得到全局最优的神经网络权值，可以采用PSO和BP算法结合的方法训练神经网络，训练的过程分为两步。首先利用PSO算法的全局寻优和收敛速度快的特点，训练网络的联接权值。但PSO算法的收敛精度低，微调差，能快速收敛至最优解附近，但很难得到最优解。为解决这个问题，在第二步中利用BP算法具有无穷逼近能力，且局部寻优能力强的特点，在由PSO算法得到的一个接近最优解的空间B(W^*)中，使用BP算法进一步寻优，得到网络权值的最优值W^*。采用这样两个步骤训练，充分发挥PSO算法和BP算法的各自优势，提高网络训练的精度和学习收敛的速度。采用粒子群优化算法和BP算法相融合的方法训练神经网络，避免单纯BP算法训练速度慢，容易陷入局部极小值和全局搜索能力弱的缺点，应用粒子群优化神经网络建立了木材含水率检测融合模型，并通过实验仿真及实际系统对模型的性能进行了验证，结果表明该方法能有效地消除木材含水率与环境主导因子(温度)间的相互耦合和相关关系，提高了木材含水率检测精度。

下面结合附图对本发明做进一步说明。

如图1所示，木材含水率神经网络模型有两种工作方式：训练模式和工作模式。因此，相应的数据集也包含两部分：训练集与测试集。在训练模式中，输入包括归一化后的木材含水率电压值(U_M)_N和归一化后的温度电压值(U_T)_N，训练过程采用PSO与BP算法相结合的训练算法，学习并调整权值，直至训练误差减小到允许的范围，如果该扩展方式不能满足要求，则改变函数项次数，并不断调整训练集直至误差减小到所要求的范围内。该数学模型确定以后，那么同种类型的传感器都可以用此模型，将该数学模型写入下位机中的单片机中，每次训练时，再将最终训练得到的网络权值存入每个单片机的EEPROM中即可。在工作模式中，即实际的应用时，将存储在EEPROM的权值载入FLANN模型中，计算得到融合后的木材含水率值。

为了验证上述模型的有效性，对基于FLANN的木材含水率神经网络模型进行了仿真实验研究，实验所用硬件平台为：英特尔酷睿2双核处理器E7400-2.8GHZ，RAM-512M；软件平台为windows XP的操作系统，Matlab7.0编程环境。选取Aspen为试验试材树种，含水率阶段50％到30％为试验样本，木材含水率真值由国家标准GB1931-91《中华人民共和国国家标准木材含水率测定方法》确定，采用烘干法获得，窑内环境温度变化范围为20℃到90℃，基于实际的干燥过程，每隔半小时测量一次木材含水率传感器的输出电压值和窑内温度(电压值)，作为样本输入；同时通过称重法记录检验板的质量并计算出当时的含水率作为木材含水率的真值，作为样本输出。经过整理，每组数据由同一窑内温度下的不同湿材所测得数据组成，共得到96组输入输出数据，其中70组用来模型的训练，另26组用来模型的测试。为去除冗余量、提高收敛速度，使神经网络更容易学习和训练，根据公式(3)和(4)对所有样本输入输出数据进行归一化处理，使其值在[-1，1]内。

${\stackrel{\‾}{x}}_i=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(3\right)$

${\stackrel{\‾}{y}}_i=\frac{0.9\×(y_i-y_{\min })}{y_{\max }-y_{\min }}+0.05---\left(4\right)$

其中：x、y分别表示输入、输出；下标max、min分别代表最大值、最小值。

在木材含水率神经网络建模中，两输入量为归一化后的木材含水率所测得的电压值(U_M)_N和温度值(U_T)_N。

隐含层数和神经元个数的确定通常是根据问题复杂程度，训练样本容量和实际要求由建模者的经验和试验工作确定。隐含层数和神经元个数可以在满足Koimogorov定理的范围内调试，本发明先后取隐层节点数分为12，23，5，8进行训练，隐含层传递函数采用Sigmoid函数，输出层传递函数采用线性函数，最后确定隐层节点数为8，网络各权值学习速率的选择满足网络稳定性定理，即采用2-8-1的网络结构，η＝0.3，α＝0.6，网络学习10000次，误差均方根小于1×10^--6，这时网络训练结束。

PSO算法训练网络权值训练的过程是一个D维参数的寻优问题。每一个网络权值作为一个种群，用一个D维参数W＝[W₀∈R^l×P，W₁∈R^P×l]表示。初始随机产生m个种群(即m个参数W)，然后通过PSO算法寻优，找到一个能够使得适应度函数f_itness为最小的种群(参数W)，f_itness定义为

$f_{\mathrm{itness}}\left(W\right)=\frac{1}{1+E}=\frac{1}{1+{\left(\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{(y\left(i\right)-\hat{y}\left(i\right))}^2\right)}^{1/2}}---\left(5\right)$

式中，y(i)是与第i个输入样本点u(i)相对应的网络输出，

是希望输出，E是神经网络的误差平方和，q是总的学习样本数。这样，可以保证通过PSO算法寻优得到的D维参数W，使得网络输出误差较小。基于PSO的神经网络学习算法流程图如图2所示。

在用PSO算法得到一个接近最优的网络连接权值后，利用BP算法得到网络连接权值的最优值W^*。BP算法是梯度下降法，反向调整权值计算公式及更新公式为：

$\mathrm{\ΔW}=-\∂E/\∂W---\left(6\right)$

W′＝W+ηΔW           (7)

其中W为W₀和W₁，η为学习率，E是神经网络的误差平方和。使用梯度下降法可以使总的误差向其减少方向变化，逼近到网络连接权值的最优值。

根据本发明中神经网络算法是应用于参数检测与补偿，需要算法时间与空间复杂度小。因此选择了根据训练误差自适应调整学习系数和动量因子的改进BP算法。改进的BP算法为：第n次学习时动量因子自适应调整公式为

α(n)＝E(n-1)/E(n)        (8)

其中，E(1)为第一次训练的误差平方和：E(n-1)为n-1次训练的误差平方和，第n次学习时学习率η的自适应调整公式为

$\left\{\begin{array}{c}\mathrm{\η}\left(n\right)=\mathrm{\η}(n-1)+\mathrm{\Δ\η}(n-1)\\ \mathrm{\Δ\η}\left(n\right)-\mathrm{\β\ΔE}(n-1)=-\mathrm{\β}(E(n-1)-E(n-2)),\mathrm{\β}\∈\left(\mathrm{0,1}\right)\end{array}\right.---\left(9\right)$

而对自适应调整学习率和动量因子的改进算法的训练，初始学习率η＝0.48，β＝0.13，动量因子α＝0.87，在学习的过程中采用式(8)和(9)调整学习率和动量因子。

网络训练过程如图3(a)与图3(b)所示，从图中可以看出，与采用自适应调整学习系数和动量因子的改进算法相比，采用PSO算法训练后，网络的BP算法收敛速度快，且精度高，在经过336次学习后，目标误差小于0.0001。所以，采用PSO算法和BP算法结合训练神经网络，在PSO优化的基础上，克服BP算法的缺点，发挥其算法的优势。

为了验证基于粒子群优化神经网络模型的木材含水率检测方法的有效性，在木材含水率检测系统中，采用PSO与BP算法相结合的训练算法，种群数为40，每一个种群对应一个32维的参数W(一个网络的权值)，初始惯性权值为0.9，并随迭代次数线性递减至0.3，学习因子C1、C2各取2。训练采用批处理方式，将所有训练样本一次作为网络输入，首先，经过100次PSO算法寻优后，得到一个fitness为最小的种群(参数W^*)。然后，采用学习率η＝0.48的标准BP算法训练，当神经网络的误差平方E＜0.001时，训练结束，隐含层至输出层的权值保存在表1中。

表1训练后隐含层的权值

另十组数据集(校准后的含水率值分别为48.3％，46.7％，44.6％，42％，40％，38.2％，36.5％，34.6％，32.8％，30.4％)归一化后应用到所建神经网络模型。根据以上训练所存的权值及确定的神经网络模型，随机选择干燥窑内升温阶段的两点温度值37.2℃和80.1℃，输入到神经网络模型，计算出网络输出值，如图4所示。网络输出值和样本真实值都比较均匀的分布在45°线附近，表明网络输出值和样本真实值符合得很好。计算木材含水率输出值的相对误差，将最大误差|ΔM|＝0.623(80.1℃时，M＝48.3％，图4(b)所示)代入到α_M＝max|ΔM|/MFS，得到最大误差为α_M＝0.623％，在0.7％内，这个精度可满足木材干燥工业的需要。可见，由于人工神经网络具有强大的非线性映射能力，在网络结构设计合理、训练方法得当的情况下，能充分的表达木材含水率与温度之间的复杂关系。

Claims (2)

1.一种基于粒子群优化神经网络模型的木材含水率检测方法，其特征在于，采用鸟类捕食行为最优策略的仿生方法，对木材含水率检测融合网络模型的权值进行整体寻优；以粒子群优化算法提供的接近最优权值为初值，利用BP算法的非线性映射能力，对木材含水率检测融合网络模型的联结权值进一步寻优，获得最优解；基于电测法检测木材含水率及环境温度参数，建立粒子群优化神经网络模型，并以该模型应用于木材含水率的检测，

其中，所述的神经网络模型为：采用MLP神经网络，输入信号从输入层节点，依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出，先后取隐层节点数分为12，23，5，8进行训练，隐含层传递函数采用Sigmoid函数，输出层传递函数采用线性函数，最后确定隐层节点数为8，网络各权值学习速率的选择满足网络稳定性定理，即采用2-8-1的网络结构，η＝0.3，α＝0.6，网络学习10000次，误差均方根小于1×10^-6，这时网络训练结束，以归一化后的木材含水率电压值、温度电压值为输入，木材含水率值为输出，建立神经网络结构。

2.根据权利要求1所述的一种基于粒子群优化神经网络模型的木材含水率检测方法，其特征在于所述的粒子群算法为：采用群体进化的全局优化算法，训练网络的联结权值，快速获得近似最优解空间，且不会陷入局部极小，快速收敛至最优解附近，再利用BP算法的非线性映射能力，进一步寻优，得到网络权值的最优值。

Images