基于深度学习的木材含水率预测.pdfVIP

第 35卷第 1期 杭 州 电子科 技 大 学 学 报(自然科学版) V01．35 No．1 2015年 1月 JOURNAL OF HANGZHOU DIANZIUNIVERSITY(NaturalSciences) Jan．2015 DOI：10．13954／j．cnki．hdu．2015．O1．OO6 基于深度学习的木材含水率预测 夏春江 ，王培 良，张 媛 (1．杭州电子科技大：掌新型电子器件研究所，浙江 杭州310018； 2．湖州师范学院信息与控制技术研究所，浙江 湖州313000) 摘要：精确测量木材含水率一直是木材干燥控制系统研究的热点和难点，含水率测量的准确性会 直接影响到木材干燥质量的好坏和干燥成本的高低。为提高木材含水率检测的准确性，采用深度 学习方法，建立了一种以深度信念网络为核心的木材含水率检测系统辨识模型。将该模型应用在 深度学习预测控制算法中，根据实际测量得到的木材干燥窑的温湿度值及木材电阻率，实现对应 木材含水率的预测输出。仿真结果表明，预测值与实际值之间的均方根误差小，预测精度高，说明 了将深度学习算法应用于木材含水率预测模型中的有效性。 关键词 ：深度学习；木材含水率；深度信念网络；预测控制 中图分类号：TP181 文献标识码iA 文章编号：1001—9146(2015)o1—0031—05 0 引 言 木材干燥是木材加工的关键步骤，对木材进行正确合理的干燥处理，既是保证木制品质量的关键， 又是节约能源、降低成本的重要手段。干燥窑内的温湿度、木材的实时含水率、木材的树种、树型等诸多 因素对木材干燥的质量有着较大的影响，尤其是对木材含水率测量的准确性…。为提高木材含水率检 测的准确性，选择一种适合木材干燥过程的预测算法，用来准确地预测对应木材含水率的实际值，有利 于对试验数据的挖掘和分析，对于木材含水率检测工艺的发展具有极其重要的意义 。而机器学习算 法的引入，为木材加工行业提高生产效率、节约能源提供了有力的保障。文献 [3]中利用时延神经网络 和动态递归神经网络作为处理核心分别建立了木材干燥处理模型。文献[4]以小波最小二乘支持向量 机构建了辨识模型，将模型应用于木材含水率预测，获得了较好的预测效果。上述文献提到的神经网络 和支持向量机均属于浅层结构的算法，浅层结构在给定有限数量的样本时很难有效地表示非线性复杂 函数 ]。而深度学习作为更加贴近于人类大脑的一种神经网络学习算法，已在许多领域得到了有效应 用。本文采用深度学习算法替代传统的浅层学习算法，提出了一种基于深度信念网络 (DeepBelief Network，DBN)的木材含水率检测系统辨识模型。通过仿真实验进行算法的有效性验证，并与其它机 器学习算法进行比较分析，结果表明，使用基于DBN算法对木材含水率检测系统进行辨识，实现了对木 材含水率的预测，且预测效果 良好。 1 深度学习算法的引入 深度学习概念由Hinton等人于2006年在Science上提出，其基本思想可简单概括为：在一个 7／,层的 神经网络中每一层的输入和输出在抽象意义上是相等的，而其根本 目的是为了能够得到有助于理解图 片、声音、文本等数据所表述的意义而进行多层次的表示和抽取的学习㈧。深度学习作为机器学习的 收稿 日期 ：2014—06—09 基金项 目：浙江省 自然科学基金资助项 目(LY12~1)3008)；湖州市公益技术研究资助项 目(2013GY02) 作者简介：夏春江(1990一)，男，浙江嵊州人，在读研究生，电子与通信工程．通信作者：王培良教授，E—mail：wpl@hutc．zj．cn． 32 杭 州 电子 科 技 大 学 学 报 2015焦 一 种，它分为有监督学习和元监督学习两种学习方法，而本文所用的DBN是 目前研究和应用都比较广 泛的一种深度学习结构，它是一种无监督学习下 的深度结构学习模型，由多个受限玻尔兹曼机 (RestrictedBohzmannMachine，RBM)累加组成，而RBM是一种典型的神经网络，该网络的可视层和隐 层单元彼此互连 (层内无