基于改进RBF算法的气候因子对木材特性影响预测的研究

摘要

随着林业的高速发展，人们对木材的品质要求越来越高，应用范围也越来越广，人工林的培育已成为目前人们关注的要点之一。气候因子是影响人工林生长的一个重要因素。正确掌握气候因子对木材特性的影响规律，对人工林培育经营十分重要，可以使森林资源得到合理有效的利用，为未来的林业科学综合研究和发展奠定理论基础。本文利用数据采用多元回归分析的方法选取出受气候因子影响较大的木材特性，再根据木材特性受气候因子响应的月表，选出对所选木材特性影响较大的气候因子。基于传统径向基神经网络（RBF）建立气候因子对木材特性影响的预测模型，找出传统 RBF神经网络预测的不足。通过添加自适应因子，提出一种自适应 RBF神经网络，以提高传统RBF神经网络的预测精度和收敛速度。利用小波变换与 BP神经网络和RBF神经网络进行混合，得到一种自适应小波 RBF神经网络，以期达到更高的收敛速度和预测精度。
　　本研究主要内容包括：⑴通过木材特性受气候因子影响程度表格。选出了红松人工林物理特性中的生长速率和解剖特性中的晚材管胞长度作为所选取的木材特性。对月表进行主成分分析，做出相关系数曲线，取9月份气温、10月份气温、11月份降水量、12月份相对湿度、9月份日照时间、10月份日照时间、7月份最低地温、2月份最高地温这8个气候因子作为对红松生长速率影响的气候因子。选取7月份气温、10月份相对湿度、7月份平均地温、8月份最低地温这四个气候因子作为气候因子对红松晚材管胞长度影响的气候因子。⑵分别以木材物理特性中的生长速率和解剖特性中的晚材管胞长度作为输出，以对应特性的气候因子作为输入，基于传统 RBF神经网络建立预测模型。利用 MATLAB进行仿真，由仿真结果得出，生长速率和晚材管胞长度拟合曲线的收敛速度分别为42步和54步，平均误差分别为17.11%和19.37%。其拟合曲线收敛速度较慢，平均误差较大。⑶对RBF神经网络进行改进得到一种自适应 RBF神经网络，由仿真结果显示，拟合曲线的收敛速度分别为39步和48步，平均误差分别为7.64%和8.10%。误差精度提升明显，但其仿真速度提升较少。⑷提出一种采用小波变换与神经网络结合的混合算法----自适应小波 RBF神经网络算法，进一步优化提升自适应RBF神经网络预测精度和收敛速度。仿真结果显示，收敛速度分别为26步和25步。平均误差分别为2.96%和2.60%。自适应小波RBF神经网络无论从收敛速度或是平均误差都相对自适应RBF神经网络有明显提升。

目录

1绪论

1.1课题背景

1.2木材预测研究现状及发展趋势

1.3人工神经网络算法研究现状及发展趋势

1.4研究的目的意义及内容

1.5技术路线

1.6论文章节安排

2木材特性及气候因子的选取

2.1试验材料和方法

2.2木材特性受气候因子影响程度的分析及选取

2.3气候因子的选取

2.4本章小结

3基于RBF神经网络的气候因子对木材特性影响预测模型

3.1人工神经网络

3.2 RBF神经网络

3.3基于RBF神经网络建立预测模型

3.4仿真结果分析

3.5本章小结

4基于自适应RBF神经网络的气候因子对木材特性影响预测模型

4.1 RBF神经网络改进的基本思想

4.2自适应RBF神经网络

4.3基于自适应RBF神经网络建立预测模型

4.4仿真结果分析

4.5本章小结

5基于自适应小波RBF神经网络的气候因子对木材特性影响预测模型

5.1自适应小波RBF神经网络

5.2基于自适应小波RBF神经网络建立预测模型

5.3仿真结果与分析

5.4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

声明