基于PSO优化技术的木材材性参数神经网络建模研究

论文摘要

木材内部结构及其物理力学特性模型，作为一种真正意义的复杂系统，其物理参数和力学性质之间存在紧密联系，且不同树种存在不同程度的差异。木材作为一个有机的整体，不同参数之间都存在着未知的非线性关系，这使预测建模及提高预测精度等方面带来了一定的难度，因此，采取切实可行的技术方法，提高木材材性参数模型预测的精确度，可为研究木材材质改良提供了重要的科学依据。基于上述目标，本文主要做了以下几方面的工作：(1)调查近年来关于木材材性参数建模的研究最新动态和进展，并且根据所查阅的资料，提出本文的研究思路和研究方法，分析木材结构参数与其物理力学特性的内在联系，将神经网络应用于木材材性参数建模。(2)选择帽儿山落叶松为树种，采集制作试样，设计试验，对木材年轮密度、纵向弹性模量及相应的含水率进行了测量，为后续的建模提供了数据准备。(3)介绍了神经网络辨识建模的基本原理、模型结构以及建模的主要步骤，分析BP(Back Propagation)算法实际应用中存在的一些问题与困难，讨论了产生这些问题的原因以及解决的办法。(4)介绍了粒子群优化(Particle Swarm Optimization，PSO)算法的基本性能，并归纳总结了其发展过程和应用。在此基础上，提出了采用PSO算法与BP算法相结合的方法对神经网络进行优化和设计。(5)为了检验本文提出方法的有效性，将基于PSO优化的神经网络应用到木材材性参数建模，突破了寻求单一的二元关系的传统模式，实现木材密度、含水率与弹性模量之间的物理力学性质的映射，同时反映了从心材到边材的材性变异。实验和仿真结果表明了该方法的有效性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景
• 1.2 国内外研究现状和发展趋势
• 1.2.1 木材材性参数建模研究现状
• 1.2.2 人工神经网络的发展概况
• 1.2.3 发展趋势
• 1.3 课题的目的和意义
• 1.4 课题的研究内容及方法
• 2 木材年轮材性各参数的测量
• 2.1 试样采集
• 2.2 年轮间密度的测量
• 2.2.1 实验仪器
• 2.2.2 实验方法
• 2.2.3 实验结论
• 2.3 木材含水率的测量
• 2.4 弹性模量的测量
• 2.4.1 实验仪器
• 2.4.2 试验方法
• 2.5 本章小结
• 3 神经网络建模基本原理
• 3.1 引言
• 3.2 系统辨识原理
• 3.2.1 基本原理
• 3.2.2 基本方法
• 3.3 神经网络概述
• 3.4 神经网络建模
• 3.4.1 引言
• 3.4.2 基于神经网络的系统辨识
• 3.4.3 BP神经网络
• 3.5 本章小结
• 4 粒子群优化算法
• 4.1 引言
• 4.2 粒子群算法综述
• 4.2.1 算法基本原理
• 4.2.2 算法特征与流程
• 4.2.3 算法的改进和研究方向
• 4.3 粒子群优化神经网络
• 4.3.1 进化计算优化神经网络
• 4.3.2 基于粒子群优化的神经网络学习算法
• 4.4 性能仿真比较
• 4.5 本章小结
• 5 木材材性参数建模研究
• 5.1 数据准备
• 5.2 模型的确定
• 5.3 模型的训练与验证
• 5.4 结果分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢