VC和Matlab实现木材品质神经网络预测模型_v1.2.docVIP

VC++和Matlab实现的木材品质神经网络预测模型 Neural Network Forecast Model of Wood Quality using VC++ and MatLab 作者：长春理工大学软件学院 张渊博 摘要：本文给出了基于木材结构和组份的木材品质神经网络预测模型的VC++和Matlab的软件实现。VC++和Matlab接口部分的设计与实现为此类复杂多元问题提供了通用高效的解决途径。 Abstract: This paper presents the neural network forecast model from wood microstructure and constituent to wood quality, also covers its software realization using VC++ and MatLab. The successful design and implementation of the interface between VC++ and MatLab provides a general effective solution to this kind of complex and multidimensional projects. 关键词：广义回归神经网络 MatLab工具箱 逐步回归分析 控件 Key words: GRNN(General Regression Neural Network), MatLab Toolbox, stepwise regression analysis, Control. 引言 随着木材在现代生产、生活中的愈加广泛和高效的应用，业界亟需了解木材微观结构与其外部物理力学性能之间的关系。深入研究木材内部结构参数到木材物理、力学特性的映射关系将为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提供强有力的科学依据及研究方法[1]。本文原始数据来源于相关林业研究机构的杉木和72杨实验样本，包括杉木各种微观结构参数与物理、力学特性参数。 神经网络建模原理及数据预处理 广义回归神经网络 广义回归神经网络（GRNN）[2]是Donald F. Specht在1991年提出的一种新型的神经网络，它是一个正规化的RBF网络，能够根据样本数据逼近其中隐含的映射关系（如图2.1所示）。 图2.1 广义回归神经网络(GRNN)结构图 Matlab的Neural network工具箱[3, 4]为我们提供了GRNN神经网络模型设置和实施的平台。网络设置如图2.2所示。 图2.2 MatLab中的GRNN网络 网络的输入为X（R维向量），训练样本对的总数为M,网络输出为S维向量Y。GRNN包含两层：第一层为径向基隐含层，单元个数等于训练样本数M，该层的权值函数为欧几里德距离度量函数（用dist表示），其作用是计算网络输入与第一层的权值IW1，1（为M*N矩阵，即全部样本输入向量）之间的距离。 数据预处理 根据各组原始数据描点，分析其变化趋势，并作曲线拟合yi=f(xi) 由于测量方法的限制，个别量在接近表皮处无法获得，为了保留每一个珍贵样本，利用拟合所得的函数关系yi=f(xi)进行插值。在建模之前分别作了数据标准化、主成分分析[5]、逐步回归分析[6]等预处理工作。 MatLab建模 具体的建模任务是围绕计划的三类模型展开的，具体来讲，包括杉木总体关系模型、杉木基于不同树龄的关系模型（8个子模型）、杉木基于关键变量组合的关系模型（对应于杉木的7个输出指标，每个指标分别有若干个有代表性的优化组合）。 图2.3 杉木品质-结构回归曲线 对于总体模型建模，首先将训练数据集正规化，并对正规化的数据进行主成分变换。通过仿真网络，并还原网络输出，然后对还原后的网络输出和目标向量作线性回归，来检验网络训练的性能。在网络响应和目标值之间作线性回归来计算网络响应和目标值之间的相关系数（如图2.3所示）。 MatLab与VC++接口设计 本章内容主要探讨前台VC++实现的UI与后台MATLAB的连接方法。 MatLab与VC接口概述 MatLab与VC++接口实现有以下三种方法。 采用MatLab引擎[7] 优点：直观可靠，通过引擎可以直接和matlab对话 缺点：要额外配置集成开发环境，程序独立性差 采用Matcom4.5或Matlab编译器 优点：翻译后的代码运行速度快，独立性好 缺点：翻译程序不够智能 利用C++自行编制GRNN算法 优点：自己编制的算法易于维护，易于拓展 缺点：需要大量的编程投入 本文采用的是MatLab引擎，后续章节为关于M