CN1755362A - 基于木材结构参数确定木材物理、力学特性的分析方法及其仪器 - Google Patents

Abstract

本发明提出一种基于木材结构参数确定木材物理、力学特性的分析方法和仪器。该仪器包括：输入键盘，计算机主机，显示器或/和打印输出装置，所述计算机主机内包括：1)输入单元，包括：用于接收木材结构参数的输入模块，参数辨识、校对及控制器，加法器；2)接口引擎单元，包括：开启Matlab引擎的模块，数据缓冲区，实现木材结构参数数据格式转换的模块，神经元网络模型文件的调用模块；3)神经元网络非线性逼进单元，包括：用于确定木材结构参数影响木材物理力学特性的权值函数的计算模块，用于通过自学习神经元网络层权值修正模块并产生权值的线性函数的模块；4)输出单元，包括：材性量化指标的输出模块和相关输出曲线的输出模块。

Description

基于木材结构参数确定木材物理、力学特性的分析方法及其仪器

技术领域

本发明涉及一种由木材结构参数确定木材物理、力学特性的分析方法及其仪器。这些分析可以为木材科学领域的木材性质研究、探讨木材性质形成机理、树木优质种质资源培育、树木转基因工程、定向培育材质改良的树木新品种等方面提供科学依据及量化指标。

背景技术

森林除了提供木材和非木质产品，更重要的是其在改善空气质量、维护全球碳平衡、保护生物多样性、保持水土、涵养水源、防风固沙和提供优美的生活环境等方面都起着重要的作用。

作为森林组成的部分—木材，是传统的材料，一直为人类所利用。随着自然资源和人类需求发生变化和科学技术的进步，木材的利用越来越广泛。例如，木质材料在建筑、家具、包装、铁路等领域发挥着巨大的作用。在不可再生资源日益枯竭、人类社会正在走向可持续发展的今天，木材以其特有的固碳、可再生、可自然降解、美观和调节室内环境等天然属性，以及强度-重量比高和加工能耗小等加工利用特性，将为社会的可持续发展做出显著贡献。

如何更好地利用这些特性，最大限度地限制其副作用，以及从树木的遗传学角度认识和改良木材的基本特性是木材科学家和工程技术专家长期努力解决的主要问题。目前，国内外专家学者主要是从以下几方面开展对木材的研究：

●用生物学理论研究树木生长的技术问题，重点研究木材材质、材性与生物形成、加工利用的关系。在提高木材形成速度的基础上，重点研究分子遗传标记、木素基因转移、木素形成基因分离和克隆、木材主要性质的基因定位、木材纤维分子数量遗传学等遗传改良技术，提高木材基本性质的遗传稳定性；研究树木立地条件、初植密度、施肥、间伐、修枝等树木生长改良条件对木材性质和质量的影响；研究木材生长应力的形成和释放；以及研究开发立木染色和方形树木的培育技术。

●运用先进的科学理论和方法，深入研究木材的微观结构、成分及其与性能的关系，为开发新的生物材料奠定科学基础。重点研究领域有：人工林木材的幼龄材与天然林木材的成熟材的比较生物学、比较解剖学、比较物理学、比较化学和比较力学；植物材料的基本特性与细胞壁超微结构的关系。

●木结构工程学(wood engineering)深人研究木质材料的性质(property)和行为(performance)之间的关系。重点研究木结构的振动、疲劳、接合和老化性，如木棚破坏机理及木质结构材料的强度预测；木质材料的天然耐久性和蠕变性；木材的弹塑性变形与强度；木构件连接强度与应力应变关系；木材机械连接结构性能；木刺胶合构件的连结方法；钢筋与胶合木梁的连接性能；木构件结合部位的耐火性能；木结构耐久性因素在地震条件下的行为；铝箔蜂窝夹芯胶合板作为轻体绝缘天花板的性能；大型木构件燃烷性能和承载性能。

●木基复合材料学，木材是天然材料，使用范围受自身物理力学性质的限制。木板、木条、单板、刨花或纤维等木材组元与有机高分子、无机非金属或金属等增强体、功能体复合组成木基复合材料，包括木材/橡胶层积复合地板、木材单板/玻璃纤维/铝三元复合材料、石膏刨花板、水泥刨花板、木纤维/合成纤维复合材料、注塑型木粉/塑料复合材料、木质导电材料和木材陶瓷等。这些木基复合材料具有原始木材所不具备的新的物理力学性能。当前的研究重点是木基复合材料的成分、结构、工艺、性质和行为之间的关系以及界面特性，按照产品最终用途要求的性能进行材料设计和制造。

●研究开发木塑复合材料，如合成高分子/木粉(木材纤维、木材刨花、木材单板)等复合材料，其目标是降低成本、增加柔性和可循环利用性、加工性、灵活设计性和提高强度。研究领域有：木材/高分子复合材料的阻尼特性，相溶剂和偶联剂对复合材料的二次力学性能的影响；利用超临界流体处理技术和等离子体处理技术提高木材/塑料界面反应性能；应用反向气相色谱，研究控制木材纤维/高分子复合材料界面结构和性质的基本物理化学参数，利用紫外光、钻60辐照源、庐射线和γ射线使高分子单体与木材发生交联反应，研究木材与其他材料的复合制造理论和性能评价。

●木基复合材料研究的另一个前沿是木质材料的功能化，大致可分为填充、混杂、复合和表面覆盖等方法，如将导电性填料填充到木材中，将导电性短纤维与木材纤维或木粉混杂和复合。还可将导电性纤维与木纤维混杂制成具有导电功能的纸张，使纸张的外部或内部成为连续选择性导电材料。增加木质板材产品的附加值，在室内装修、办公用家具、公共场所等应用领域有广阔的前景。

●木材陶瓷是用木质材料与热固性树脂制成的、在高温绝氧条件下烧结而成的多孔性碳素材料，具有新的功能。木材陶瓷的烧结温度和温升速度与其力学性质的关系。

●木质重组材，随着大径级木材的减少和木材使用性能要求的提高，原始木材的天然特性难以满足需要。将木材加工成木板、木条、单板、刨花或纤维等组元，利用现代技术将木材组元重组为新型木质材料，如胶合木梁、单板层积材、定向成材、胶合板、重组装饰薄木、单板层积中空圆柱材、定向刨花板、刨花板和纤维板等，这种木质重组材料具有原始木材所不具备的几何性能、同一性、均匀性和曲面成形性。木质重组材料研究的重点是：生产过程最优化，对定向刨花板的板坯铺装进行计算机模拟，建立性能预测数学模型，由性能/成本比来决定生产工艺和原材料的选用；木质重组材料正在取代大断面实木部件，其主要工程性能(如强度和耐久性)除了与木材组元有关外，还与胶粘物质的自身性质和固化状态有关，应用碳13CP/MAS/NMR，可有效地揭示木材/胶粘剂胶合界面的分子结构和已固化胶粘剂的动力学特性；建NonteCarlo模型，深化对大片刨花板板坯内部结构和相关性能的了解；应用复合材料理论预测木质重组材料的强度和韧性；改善木质重组材料的耐火性、强度和尺寸稳定性。

●木制品先进制造技术在传统的木材机械加工学基础上，不断吸收机械、电子、信息及现代化管理技术等领域的成果，学科延伸扩大到木制品的产品设计、制造、生产、检测、管理和服务等全过程，广泛采用机器人、计算机辅助设计、计算机辅助制造、计算机数控加工中心、敏捷制造技术、柔性生产技术等先进制造技术。以计算机支持的仿真技术为前提，对木制品的设计、加工、装配等全过程进行统一建模。在产品设计阶段，实时、并行地模拟出产品未来的制造全过程及其对产品设计的影响，预测产品的性能、产品生产技术、产品的可制造性，从而更有效、更经济、柔性灵活地组织生产，使工厂和车间的设计与布局更合理、更有效，以达到产品的开发周期和成本的最小化、产品设计质量的最优化和生产效率最高化。这对满足未来市场多样化、消费个性化、小批量多品种产品的需要具有重要意义。

综上所述，从森林的培育到木材的综合利用，都与树木及木材的内部结构息息相关。为此，国内外专家学者都在木材内部结构与物理及力学关系上问题上开展了大量的研究。克恩(Cown)在(Cown et al.1991)给出了木材的螺旋纹理与木材的力学强度的关系模型，通过该模型可知螺旋纹理对木材的干燥程度和力学强度的关系，并给出根据螺旋纹理的分布状态、方向和角度确定其木材加工方法，已部分地缓解强度降低、开裂等问题。哈里斯(Harris)研究了木材纹理与木材种类的关系，并得出大部分木材呈螺旋纹理仅有少部分木材呈直纹理状态的结论(Harris 1973，1989)。狄普(Draper)、史密斯(Smith)用线性或非线性的方法对木材结构的单一特征与密度、强度等建立了回归模型。

就目前国内外对木材结构与力学、强度的关系研究存在着如下问题：

●现有揭示木材结构与力学强度的关系不能反映其全部的特征。因为就其树木与木材本身就是一类复杂的生命体，仅用其内部的某一结构特征是不能全面而准确的反映其规律的。

●现有的回归方法所得到的精度一般都在70～80％左右，这只能说成是一个大致的趋势，而无法准确地把握真正的内在性质与力学间的关系；

●现有的成果很难推广应用到森林种质资源培育、转基因工程、树木定向培育、木材材质改良以及提供木材新品种的研究和应用上来。

发明内容

本发明要解决的技术问题是针对国内外对树木内部结构与木材物理、力学关系的研究开发中存在的问题和不足，提出一种基于木材结构参数确定木材物理、力学特性的分析方法和仪器。该方法和仪器提供了对木材性质形成机理的成因分析，描述了木材这一类复杂生命体内部结构与其物理、力学间的相互关系，并保证精度在95％以上。其目的是为森林种质资源培育、转基因工程、树木定向培育、木材性质研究、木材性质及形成机理定向培育木材材质改良、木材新品种培育等领域提供科学的依据及方法，使我国能在短期内，在上述领域内位居世界前列。

本发明提出一种基于木材结构参数确定木材物理、力学特性的分析方法，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，包括如下步骤：

1)通过所述输入键盘接收木材结构参数，经过参数辨识、校对及控制，再经过加法器，参数输出到接口引擎；

2)首先开启Matlab引擎，然后开辟一个数据缓冲区，在此区内实现木材结构参数的数据格式转换，神经元网络模型文件的调用，完成数据的初步处理和传送；

3)经过初步处理的数据传递给神经元网络非线性逼进单元，先计算出用于确定木材结构参数影响木材物理力学特性的权值的权值函数，然后通过自学习神经元网络层权值修正并产生权值的线性函数；

4)将计算出的材性量化指标和相关输出曲线通过所述显示器或/和所述打印输出装置显示输出。

本发明还提出一种基于木材结构参数确定木材物理、力学特性的分析仪器，它包括：输入键盘，计算机主机，显示器或/和打印输出装置，所述计算机主机内包括并依次连接：

1)输入单元，其中依次包括：用于接收木材结构参数的输入模块，参数辨识、校对及控制器，加法器；

2)接口引擎单元，其中包括：用于开启Matlab引擎的模块，以及并列联接的数据缓冲区、用于实现木材结构参数数据格式转换的模块、用于神经元网络模型文件的调用模块；

3)神经元网络非线性逼进单元，其中依次包括：用于确定木材结构参数影响木材物理力学特性的权值的权值函数的计算模块，用于通过自学习神经元网络层权值修正并产生权值的线性函数的模块；

4)输出单元，其中包括：材性量化指标的输出模块和相关输出曲线的输出模块。

本发明的基于木材结构参数确定木材物理、力学特性的分析方法及其仪器与现有技术相比较，具有以下优点：

1、本发明中的木材解剖微观参数包括：微纤丝角、胞壁率、射线比量、管胞比量、早材管胞长度、晚材管胞长度、早材管胞宽度、晚材管胞宽度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直径、晚材管胞T-直径、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔径比、晚材管胞腔径比等18个参数，它们都对该木材的密度、径向干缩、轴向干缩、弦向干缩、顺纹抗压强度、抗弯弹性模量、抗弯强度等7个重要材性指标产生不同的影响。这种不同程度的影响，在本发明中体现在权值函数中，也就是说，本发明全面的把握了上述木材结构参数与木材物理力学特性的关系。而现有的对这种关系的把握仅是上述的一个或几个参数(如微纤丝角与木材物理力学特性的关系)对木材物理力学之间的关系。因此，本发明可以更完全、更真实地表现出木材结构参数与其物理力学特性之间的关系。显示直观，一目了然。

2、现有的对这种复杂非线性关系的描述是基于线性或非线性回归的方法，而这种方法本身就存在着不精确或者说先天不足。本发明所采用的神经元网络方法，可以任意地逼进非线性，即只要神经元层数足够多，便可以达到任意理想的结果。

3、现有的算法是通过观察输入与输出之间点的分布情况采取曲线拟合方法，其准确度只能达到70％～80％之间。而本发明通过木材每一个结构参数对木材物理、力学特性影响的权值及所求出的权值函数，更加真实地、切合实际地描述了木材结构参数与木材物理力学特性之间关系，其准确度可达95％以上。

附图说明

图1是基于木材结构参数确定木材物理、力学特性分析仪器的结构示意图；

图2是本发明分析仪器的工作流程图；

图3是输入模块的示意图；

图4是接口引擎的工作流程图；

图5是标准化处理器的示意图；

图6是标准化处理器的运算模块的示意图；

图7是神经元网络的运算模块的示意图；

图8是神经元网络性能评估的线性回归图。

具体实施方式

在说明本发明的实施例之前，首先说明本发明的原理。

由于木材本身就是一个复杂的生命体或生物材料，其内部的结构与结构之间、这些结构与其自身的物理力学之间存在着相当复杂的奇异非线性关系，一般说来不存在或很困难找到显式的函数关系，即使免强找到了函数关系，那也会是一类非常复杂的非线性偏微分方程，处理起来相当难以把握。事实上，非线性奇异系统都不能用子空间来描述(它们是属于一些低维子流形)，直接讨论低维子流形是比较困难的。因此，本发明利用了神经元网络能够逼进任意的非线性这一特性。即，通过输入模块接收木材结构参数，经过参数辨识及校对经加法器输出给接口引擎。在接口引擎中首先开辟一个数据缓冲区，在此区内实现木材结构参数数据的格式转换、神经元网络模型文件的调用。经过初步处理的数据传递给神经网络的第一层，在这一层须要标准化处理，再经神经元网络初步的确定后计算出欧氏距离，最后通过自学习模型的修正后产生标准的权值函数，这个函数已将木材结构参数对木材物理力学的影响的权值确定。在神经元网络的第二层，将收到第一层权值函数通过自学习神经网络层权值模块修正后进行正规化处理产生权值的线性函数，最后达到木材物理力学特性的理想输出，因此，只要神经元层数足够多，就可以达到任意精度的结果。

下面结合附图和实施例，进一步说明本发明。

本发明工作流程如图2所示。分析仪器的结构如图1所示，包括：输入键盘，计算机主机，显示器或打印输出装置，或者显示器和打印输出装置，所述计算机主机还包括以下四大部分并依次联接：

I.输入单元1，其中包括：木材结构参数的输入模块5，参数辨识、校对及控制器6，加法器7；本实用新型在木材结构参数的输入模块5中提供以下三种输入模块，可以选择一种或其组合：

a.基于整体模型的宏观分析的微观参数输入模块8，在该模块中共有18个木材解剖的微观参数，包括微纤丝角、胞壁率、射线比量、管胞比量、早材管胞长度、晚材管胞长度、早材管胞宽度、晚材管胞宽度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直径、晚材管胞T-直径、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔径比、晚材管胞腔径比，根据以上18个输入参数即可确定该木材的7个重要材性指标，其中包括基本密度、径向干缩、轴向干缩、弦向干缩、顺纹抗压强度、抗弯弹性模量、抗弯强度。

b.分年龄段木材材性指标分析的参数输入模块9，在宏观分析的基础上，反应木材不同年龄段的性质变异和边材心材的差异，给出分年龄段木材材性指标分析的分模型，在输入参数时给出其木材年龄即可得出精度更高的材性指标预测结果。本发明能分析和预测1-15年的木材。

c.重要解剖参数的输入模块10，该模块保证基本功能前提下简化操作，减少对大量解剖参数的依赖，提供了不完全查询，即可从18个微观解剖数据中自行选择输入参数或定义输入参数个数，得出木材的7个材性指标，特别指出的是，此项不完全分析能保证其最大精度，在不完全查询的参数组合中采用了逐步回归分析法将参数归类组合，采用主成分分析法可以降低输入参数的维数。

图3所示为输入模块结构图，无论选择上述哪种分析方式，终端与界面接口都交互有数据信息及与数据相关的控制信息，即参数定义域控制、参数步长控制、数据格式控制。其中参数定义域控制主要用于校正参数输入，在误操作时给出告警，各定义域的初始设置由实验统计数据确定，仪器工作前可专门定制其所需要的参数区间。参数步长控制用于更改参数微调按钮的步长，便于使用。数据格式控制是在输入数据时选择几位有效数字和何种科学计数方法。控制信息和数据信息在输入模块内部的通信是透明的，可以自由选择和分别输入控制信息和数据信息，二者永远保持同步。

II.接口引擎单元2，其中包括：用于开启Matlab引擎的模块11，以及并列联接的数据缓冲区13、用于实现木材结构参数数据格式转换的模块14、用于神经元网络模型文件的调用模块12。本发明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，在该单元要建立起前端和后台Matlab的通信，即Matlab接口引擎。具体说来，就是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，运算结束后又能把运算结果以合适的数据格式返回，同时，提供一系列神经元网络性能和训练结果分析的图表。其工作流程如图4所示。

III.神经元网络非线性逼进单元3，其中至少包括如下两个单元：

a.神经元网络的第一层单元15，它包括：标准化处理器17，神经元网络隐含层权矩阵模块18，欧氏距离计算模块19，自学习模型的修正模块20，点乘模块21，高斯函数发生器22；所述标准化处理器17和神经元网络隐含层权矩阵模块18分别与欧氏距离计算模块19联接，然后欧氏距离计算模块19和自学习模型的修正模块20分别与点乘模块21联接，最后点乘模块21与高斯函数发生器22联接。

b.神经元网络的第二层单元16，它又包括并依次联接：神经元网络线性层权矩阵模块23，正规化处理器24，产生权值的线性函数发生器25。

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，进行事先、事后的标准化处理，处理方式如图5所示，对于输入样本数据0-104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

具体的标准化过程如图6所示。下面给出标准化处理器的运算环节：

$\mathrm{mean}\left(P^{\′}\right)=\mathrm{mean}\left(\left[\begin{array}{ccc}{p}_{11}& p_{21}\mathrm{\Λ}& p_{R1}\\ p_{12}& p_{22}\mathrm{\Λ}& p_{R2}\\ M& M& M\\ p_{1Q}& p_{2Q}\mathrm{\Λ}& p_{\mathrm{RQ}}\end{array}\right]\right)$

$={\left[\begin{array}{ccc}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}& \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}\mathrm{\Λ}& \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}\end{array}\right]}_{1\×R}$

$\mathrm{std}\left(P^{\′}\right)=\mathrm{std}\left(\left[\begin{array}{ccc}{p}_{11}& p_{21}\mathrm{\Λ}& p_{R1}\\ p_{12}& p_{22}\mathrm{\Λ}& p_{R2}\\ M& M& M\\ p_{1Q}& p_{2Q}\mathrm{\Λ}& p_{\mathrm{RQ}}\end{array}\right]\right)$

${=\left[\begin{array}{ccc}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{1i})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}\mathrm{\Λ}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}\end{array}\right]}_{1\×R}$

$P_n=(P-\mathrm{meanp}\×\mathrm{oneQ})\·/(\mathrm{stdp}\×\mathrm{oneQ})$

$=(\left[\begin{array}{ccc}{p}_{11}& p_{12}\mathrm{\Λ}& p_{1Q}\\ p_{21}& p_{22}\mathrm{\Λ}& p_{2Q}\\ M& M& M\\ p_{R1}& p_{R2}\mathrm{\Λ}& p_{\mathrm{RQ}}\end{array}\right]-{\left[\begin{array}{c}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}\\ \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}\\ M\\ \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}\end{array}\right]}_{R\×1}\×{\left[\begin{array}{ccc}1& 1\mathrm{\Λ}& 1\end{array}\right]}_{1\×Q})\·/({\left[\begin{array}{c}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{1i})}^2\right)}^{\frac{1}{2}}\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}\\ M\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}\end{array}\right]}_{R\×1}\×{\left[\begin{array}{ccc}1& 1\mathrm{\Λ}& 1\end{array}\right]}_{1\×Q})$

$=\left[\begin{array}{ccc}{p}_{11}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}& p_{12}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}\mathrm{\Λ}& p_{1Q}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{1i}}{Q}\\ p_{21}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}& p_{22}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}\mathrm{\Λ}& p_{2Q}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{2i}}{Q}\\ M& M& M\\ p_{R1}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}& p_{R2}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}\mathrm{\Λ}& p_{\mathrm{RQ}}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}}}{Q}\end{array}\right]\·/\left[\begin{array}{ccc}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{12}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{12})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{12}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{12})}^2\right)}^{\frac{1}{2}}\mathrm{\Λ}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{12}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{12})}^2\right)}^{\frac{1}{2}}\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}\mathrm{\Λ}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{2i})}^2\right)}^{\frac{1}{2}}\\ M& M& M\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}\mathrm{\Λ}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(p_{\mathrm{Ri}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{p}_{\mathrm{Ri}})}^2\right)}^{\frac{1}{2}}\end{array}\right]$

$\mathrm{mean}\left(T^{\′}\right)=\mathrm{mean}\left(\left[\begin{array}{ccc}{t}_{11}& t_{21}\mathrm{\Λ}& t_{S1}\\ t_{12}& t_{22}\mathrm{\Λ}& t_{S2}\\ M& M& M\\ t_{1Q}& t_{2Q}\mathrm{\Λ}& t_{\mathrm{SQ}}\end{array}\right]\right)$

$={\left[\begin{array}{ccc}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}& \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}\mathrm{\Λ}& \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}\end{array}\right]}_{1\×S}$

$\mathrm{std}\left(T^{\′}\right)=\mathrm{std}\left(\left[\begin{array}{ccc}{t}_{11}& t_{21}\mathrm{\Λ}& t_{S1}\\ t_{12}& t_{22}\mathrm{\Λ}& t_{S2}\\ M& M& M\\ t_{1Q}& t_{2Q}\mathrm{\Λ}& t_{\mathrm{SQ}}\end{array}\right]\right)$

${=\left[\begin{array}{ccc}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}\mathrm{\Λ}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}\end{array}\right]}_{1\×S}$

$T_n=(T-\mathrm{meant}\×\mathrm{oneQ})\·/(\mathrm{stdt}\×\mathrm{oneQ})$

$=(\left[\begin{array}{ccc}{t}_{11}& t_{12}\mathrm{\Λ}& t_{1Q}\\ t_{21}& t_{22}\mathrm{\Λ}& t_{2Q}\\ M& M& M\\ t_{S1}& t_{S2}\mathrm{\Λ}& t_{\mathrm{SQ}}\end{array}\right]-{\left[\begin{array}{c}\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}\\ \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}\\ M\\ \frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}\end{array}\right]}_{S\×1}\×{\left[\begin{array}{ccc}1& 1\mathrm{\Λ}& 1\end{array}\right]}_{1\×Q})\·/({\left[\begin{array}{c}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}\\ M\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}\end{array}\right]}_{S\×1}\×{\left[\begin{array}{ccc}1& 1\mathrm{\Λ}& 1\end{array}\right]}_{1\×Q})$

$=\left[\begin{array}{ccc}{t}_{11}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}& t_{12}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}\mathrm{\Λ}& t_{1Q}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{1i}}{Q}\\ t_{2i}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}& t_{22}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}\mathrm{\Λ}& t_{2Q}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{2i}}{Q}\\ M& M& M\\ t_{\mathrm{Ri}}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}& t_{S2}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}\mathrm{\Λ}& t_{\mathrm{SQ}}-\frac{\underset{i=1}{\overset{i=Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}}}{Q}\end{array}\right]\·/\left[\begin{array}{ccc}{\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}\mathrm{\Λ}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{1i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{1i})}^2\right)}^{\frac{1}{2}}\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}\mathrm{\Λ}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{2i}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{2i})}^2\right)}^{\frac{1}{2}}\\ M& M& M\\ {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}& {\left(\frac{1}{Q-1}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}\mathrm{\Λ}& {\left(\frac{1}{Q-1}\underset{i=Q}{\overset{Q}{\mathrm{\Σ}}}{(t_{\mathrm{Si}}-\frac{1}{Q}\underset{i=1}{\overset{Q}{\mathrm{\Σ}}}{t}_{\mathrm{Si}})}^2\right)}^{\frac{1}{2}}\end{array}\right]$

经过标准化处理器后，进入正式的神经元网络运算模块，如图7所示：

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，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

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

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

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

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

$\mathrm{dist}(P^{\′},P)\·*b_1=\left[\begin{array}{cccc}0& d_{12}& d_{13}\mathrm{\Λ}& d_{1Q}\\ d_{21}& 0& d_{23}\mathrm{\Λ}& d_{2Q}\\ d_{31}& d_{32}& 0\mathrm{\Λ}& d_{3Q}\\ M& M& M& M\\ d_{Q1}& d_{Q2}& d_{Q3}\mathrm{\Λ}& 0\end{array}\right]\·*\left[\begin{array}{ccc}{b}_{11}& b_{12}& b_{1Q}\\ b_{21}& b_{22}& b_{2Q}\\ M& M& M\\ b_{Q1}& b_{Q2}\mathrm{\Λ}& b_{\mathrm{QQ}}\end{array}\right]$

$=\left[\begin{array}{cccc}0& b_{12}*d_{12}& b_{13}*d_{13}\mathrm{\Λ}& b_{1Q}*d_{1Q}\\ b_{21}*d_{21}& 0& b_{23}*d_{23}\mathrm{\Λ}& b_{2Q}*d_{2Q}\\ b_{31}*d_{31}& b_{32}*d_{32}& 0\mathrm{\Λ}& b_{3Q}*d_{3Q}\\ M& M& M& M\\ b_{Q1}*d_{Q1}& b_{Q2}*d_{Q2}& b_{Q3}*d_{Q3}\mathrm{\Λ}& 0\end{array}\right]$

在网络隐含层每个神经元网络输入是其带权输入与其偏值之积，如上式所示，而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：

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

其中，u_j是第j个隐层节点的输出，X＝(x₁，x₂，K，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。

采用高斯基函数，具备如下优点：

1、表示形式简单，即使对于多变量输入也不增加太多的复杂性；

2、径向对称；

3、光滑性好，任意阶导数存在；

4、由于该基函数表示简单且解析性好，因而便于进行理论分析。

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，nomprod(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

$\mathrm{normprod}(T,a^1)$

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

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

本发明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。

IV.输出模块4，其中包括：材性量化指标的输出模块26和相关输出曲线的输出模块27。

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，“o”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，分别给出各个输出材性指标的用来衡量神经元网络性能线性回归图形，输出图形如图8所示，从仿真图中可以看出其精度达到了98.999％。

以下列表是采用本发明分析仪器对杉木和72杨的分析结果。

                                杉木微观解剖结构数据(输入I)

微纤丝角	12.5	晚材管胞T-壁厚度	8.80	晚材管胞壁腔比	0.5195
						早材管胞长度	2481.39	早材管胞R-壁厚度	6.29	早材管胞腔径比	0.8456
晚材管胞长度	2121.32	晚材管胞R-壁厚度	11.32	晚材管胞腔径比	0.6562
						早材管胞宽度	45.63	早材管胞T-直径	39.93	射线比量	7.11
晚材管胞宽度	30.46	晚材管胞T-直径	30.18	管胞比量	92.89
						早材管胞T-壁厚度	5.48	早材管胞壁腔比	0.1869	胞壁率	41.79

                             72杨微观解剖结构数据(输入II)

微纤丝角	29.22	腔径比	0.70764
				纤维长度	1191	纤维比量	58.72
纤维宽度	24.19	射线比量	13.86
				导管长度	584.19	导管比量	27.42
纤维壁厚	5.13	胞壁率	44.84
				纤维直径	17.55	导管直径	71.5
壁腔比	0.4142	导管个数	51.9

                               杉木、72杨化学组成表(输入)

杉木化学组成		72杨化学组成
				综纤维素	60.79	综纤维素	76.51
木质素	33.62	木质素	19.29
				α-纤维素	41.55	α-纤维素	39.35
半-纤维素	19.24	半-纤维素	37.16
				酸溶木质素	0.32	酸溶木质素	3.94

                         杉木微观解剖所确定的物理力学特性输出表

	目标输出	实际输出	相对误差(％)
				轴向干缩	0.2601	0.2508	3.57
弦向干缩	7.0225	7.0683	0.65
				径向干缩	2.6540	2.6893	1.33
基本密度	0.2491	0.2544	2.13
				抗弯强度	52.0	52.4	0.77
顺纹抗压强度	30.7	30.784	0.27
				抗弯弹性模量	5673	5828	2.73

                               72杨微观解剖所确定的物理力学特性输出表

	目标输出	实际输出	相对误差(％)
				轴向干缩	0.5624	0.5528	1.71
弦向干缩	7.0111	7.2179	2.95
				径向干缩	0.7813	1.0936	39.97
基本密度	0.2830	0.2933	3.64
				抗弯强度	56.2	56.881	1.21
顺纹抗压强度	25.2	25.448	0.98
				抗弯弹性模量	5260	5285.8	0.49

                        杉木化学组成所确定的物理力学特性输出表

	目标输出	实际输出	相对误差(％)
				轴向干缩	0.2601	0.24974	4.16
弦向干缩	7.0225	6.896	1.8
				径向干缩	2.6540	2.569	3.2
基本密度	0.2491	0.27146	8.98
				抗弯强度	52.0	51.288	1.37
顺纹抗压强度	30.7	30.451	0.81
				抗弯弹性模量	5673	5577.5	1.68

            72杨化学组成所确定的物理力学特性输出表

	目标输出	实际输出	相对误差(％)
				轴向干缩	0.5624	0.5726	1.81
弦向干缩	7.0111	7.6769	9.5
				径向干缩	0.7813	1.0772	37.87
基本密度	0.2830	0.3432	21.27
				抗弯强度	56.2	63.1	12.28
顺纹抗压强度	25.2	28.651	13.69
				抗弯弹性模量	5260	5929	12.72

Claims (9)

1、一种基于木材结构参数确定木材物理、力学特性的分析方法，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，其特征是包括如下步骤：

1)通过所述输入键盘接收木材结构参数，经过参数辨识、校对及控制，再经过加法器，参数输出到接口引擎；

2)首先开启Matlab引擎，然后开辟一个数据缓冲区，在此区内实现木材结构参数的数据格式转换，神经元网络模型文件的调用，完成数据的初步处理和传送；

3)经过初步处理的数据传递给神经元网络非线性逼进单元，先计算出用于确定木材结构参数影响木材物理力学特性的权值的权值函数，然后通过自学习神经元网络层权值修正并产生权值的线性函数；

4)将计算出的材性量化指标和相关输出曲线通过所述显示器或/和所述打印输出装置显示输出。

2、根据权利要求1所述的分析方法，其特征是，所述步骤1)中所接收的木材结构参数包括下列参数中的一种或其组合：

a.基于对木材整体模型进行宏观分析的木材解剖微观参数；

b.分开年龄段进行木材材性指标分析的参数；

c.重要解剖参数。

3、根据权利要求1所述的分析方法，其特征是，所述步骤3)中神经元网络非线性逼进运算至少包括如下两个步骤：

a.在神经元网络的第一层，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.在神经元网络的第二层，将收到第一层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，最后达到木材物理力学特性的理想输出。

4、根据权利要求2所述的分析方法，其特征是，所述对a.基于对木材整体模型进行宏观分析的木材解剖微观参数的接收包括对下列参数的接收：微纤丝角、胞壁率、射线比量、管胞比量、早材管胞长度、晚材管胞长度、早材管胞宽度、晚材管胞宽度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直径、晚材管胞T-直径、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔径比、晚材管胞腔径比。

5、根据权利要求3所述的分析方法，其特征是，所述运算按下列数学表达式进行：

[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。

6、一种基于木材结构参数确定木材物理、力学特性的分析仪器，它包括：输入键盘，计算机主机，显示器或/和打印输出装置，其特征是，所述计算机主机内包括并依次连接：

1)输入单元，其中依次包括：用于接收木材结构参数的输入模块，参数辨识、校对及控制器，加法器；

2)接口引擎单元，其中包括：用于开启Matlab引擎的模块，以及并列联接的数据缓冲区、用于实现木材结构参数数据格式转换的模块、用于神经元网络模型文件的调用模块；

3)神经元网络非线性逼进单元，其中依次包括：用于确定木材结构参数影响木材物理力学特性的权值的权值函数的计算模块，用于通过自学习神经元网络层权值修正并产生权值的线性函数的模块；

4)输出单元，其中包括：材性量化指标的输出模块和相关输出曲线的输出模块。

7、根据权利要求6所述的分析仪器，其特征是，所述用于接收木材结构参数的输入模块包括下列参数输入模块中的一种或其组合：

a.基于对木材整体模型进行宏观分析的木材解剖微观参数的输入模块；

b.分开年龄段进行木材材性指标分析的参数输入模块；

c.重要解剖参数的输入模块。

8、根据权利要求6所述的分析仪器，其特征是，所述3)神经元网络非线性逼进单元中至少包括如下两个单元：

a.神经元网络的第一层单元，它包括：标准化处理器，神经元网络隐含层权矩阵模块，欧氏距离计算模块，自学习模型的修正模块，点乘模块，高斯函数发生器；所述标准化处理器和神经元网络隐含层权矩阵模块分别与欧氏距离计算模块联接，然后欧氏距离计算模块和自学习模型的修正模块分别与点乘模块联接，最后点乘模块与高斯函数发生器联接；

b.神经元网络的第二层单元，它包括并依次联接：神经元网络线性层权矩阵模块，正规化处理器，产生权值的线性函数发生器。

9、根据权利要求7所述的分析仪器，其特征是，所述a.基于对木材整体模型进行宏观分析的木材解剖微观参数的输入模块中包括下列参数：木材微纤丝角、胞壁率、射线比量、管胞比量、早材管胞长度、晚材管胞长度、早材管胞宽度、晚材管胞宽度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直径、晚材管胞T-直径、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔径比、晚材管胞腔径比。

Images