基于支持向量機參數(shù)優(yōu)化的木材干燥過程建構研究.pdf

1、木材干燥是改善木材物理力學性能、合理使用木材、減少木材降等損失、提高木材利用率的重要技術措施,也是保證木制品質(zhì)量的關鍵技術之一。由于木材干燥過程表現(xiàn)出強非線性,用常規(guī)的基于線性模型的控制則達不到優(yōu)化控制的目的和控制效果,因此建立能夠準確完整地描述木材干燥規(guī)律的模型是實現(xiàn)木材干燥全自動控制、提高控制水平的關鍵。
　　 支持向量機作為一種新的基于統(tǒng)計學習理論的機器學習方法,具有泛化能力強、全局最優(yōu)和計算速度快等突出優(yōu)點,而適用于強非

2、線性、強耦合、大滯后特點的木材干燥過程建模。預測模型的擬合精度和泛化能力直接取決于相關參數(shù)的選取,但由于缺乏通用理論和方法的指導,在一定程度上影響了支持向量機的應用效果。本文針對支持向量機參數(shù)選取問題,研究基于支持向量機參數(shù)優(yōu)化的木材干燥過程建模。通過分析支持向量機參數(shù)對木材干燥基準模型性能的影響,本文將參數(shù)選取視為組合優(yōu)化問題,建立目標函數(shù),將微粒群優(yōu)化算法和遺傳算法分別應用于支持向量機預測模型中,實現(xiàn)了參數(shù)的自動選取、優(yōu)化。建立基于

3、PSO-SVM和GA-SVM木材干燥模型,仿真結果表明,以上兩種群智能優(yōu)化算法均能有效地選取支持向量機木材干燥模型參數(shù),與遺傳算法相比,微粒群優(yōu)化算法在木材干燥過程建模中表現(xiàn)出了更好的學習和推廣能力,所產(chǎn)生的木材干燥模型預測可達性更好。
　　 為了實現(xiàn)木材干燥過程在線建模,針對木材干燥過程中試材樣本數(shù)據(jù)存在較多噪聲,支持向量機在訓練過程中不能區(qū)分出樣本冗余、有用與否的問題,本文引入核主成分分析方法對木材干燥數(shù)據(jù)進行預處理。利用優(yōu)