木材干燥支持向量机建模与模糊神经网络控制研究

摘要

木材是一种可再生并且能循环利用的绿色材料，木材产品在国民经济中属于基础产业，并且占有重要地位。我国的现状是森林资源日趋短缺，有效改善并且提高木材利用率，已经成为我国现阶段的重点研究课题之一。木材干燥是木材加工生产过程中的重要环节，木材干燥质量的好坏对木材利用率和木材产品质量有直接影响。通过使用合理的干燥技术，提高现阶段木材干燥控制技术水平是确保木材干燥效果、提高木材干燥质量、减小木材干燥过程成本的重要途径。
　　木材干燥过程是一个具有大滞后、强耦合、强非线性特征的系统，并且木材干燥窑内的环境复杂多变，因此，很难建立准确的数学模型来描述该系统。我国的木材干燥窑大部分还是以传统方法进行控制，温湿度控制精度低、干燥效果不理想，难以适应木材干燥的生产扩大化。
　　本文提出利用支持向量机方法建立木材干燥过程模型。支持向量机具有对非线性函数任意逼近的能力，自学习能力强。木材干燥过程模型包括两个子模型结构，分别是木材干燥过程的基准模型和木材干燥过程的控制模型。本文利用木材干燥过程的温度、湿度以及木材含水率数据，建立基于支持向量机的木材干燥过程基准模型。通过基准模型预测干燥过程的含水率，为木材干燥过程的含水率基准提供实时准确的数据。木材干燥过程的控制模型是指木材干燥过程的控制信号与温度、湿度之间的模型。基于木材干燥过程工艺，木材干燥过程的温度和湿度是由木材干燥窑内的加热阀开度、喷蒸阀开度以及排湿阀开度共同控制决定的。本文以木材干燥窑内的加热阀开度、喷蒸阀开度以及排湿阀开度作为输入量，温度和湿度作为输出量，建立基于支持向量机的木材干燥过程控制模型。
　　本文采用多种智能算法对支持向量机模型的结构、参数以及样本数据进行优化，有效提高模型的准确度，实现木材干燥过程的在线建模和预测。首先，利用最小二乘法对支持向量机模型的结构进行优化;其次，分别利用网格搜索法、遗传算法、粒子群优化算法对模型的惩罚因子和核函数参数进行寻优;最后，通过模糊加权方法对模型的样本数据进行预处理，改进离线支持向量机建模方法，建立基于模糊加权隶属度的木材干燥过程在线模型。该模型可以反映系统当前时刻的运行状态，并且能准确预测下一时刻系统的运行状态，充分体现木材干燥系统的动态特性，避免由于干燥窑内环境变化、执行机构工作状态改变、外部干扰以及人为调整导致的模型失配问题的出现。
　　为了准确控制木材干燥过程的温度和湿度，提高木材干燥质量，本文设计了一种遗传算法优化的T-S型模糊神经网络温湿度控制器。该控制器在模糊控制基础上，利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系，采用神经网络的自学习和自适应能力实现整个非线性过程的模糊逻辑推理，并通过遗传算法优化模糊神经推理系统的参数和模糊推理规则，提高系统的自学习和自适应能力。该控制器把模糊逻辑、神经网络以及遗传算法有机地组合在一起，充分发挥各自优势，使得控制器对非线性系统逼近能力更强、训练收敛速度更快、算法更稳定，满足木材干燥系统对温湿度的控制要求。
　　木材干燥过程基准模型和控制模型的建立，以及模糊神经网络控制器的设计和优化，对研究木材干燥工艺、实现木材干燥过程的智能控制、提高干燥质量、减少能耗、缩短干燥时间具有重要研究意义。

目录

摘要

1 绪论

1．1 课题来源及研究目的和意义

1．2 国内外研究现状及发展趋势

1．2．1 木材干燥建模的研究现状及发展趋势

1．2．2 支持向量机建模的研究现状及发展趋势

1．2．3 模糊神经网络建模的研究现状及发展趋势

1．3 木材干燥工艺

1．3．1 木材中的水分及其测量方法

1．3．2 木材干燥控制目的及要求

1．3．3 干燥过程中的参数及主要影响因素

1．3．4 木材干燥基准

1．4 本文研究的主要内容

2 统计学习理论与支持向量机

2．1 统计学习理论

2．1．1 机器学习的基本模型

2．1．2 经验风险最小化

2．1．3 学习过程的一致性条件

2．1．4 VC维理论与推广性的界

2．1．5 结构风险最小化

2．2 支持向量机

2．2．1 支持向量机的基本思想

2．2．2 支持向量机的回归原理

2．2．3 支持向量机的核函数

2．3 本章小结

3 基于LS-SVM的木材干燥过程基准模型

3．1 干燥过程中的木材含水率及影响因素

3．2 LS-SVM建模方法的基本原理

3．3 基于LS-SVM的木材干燥过程的基准模型结构

3．4 木材干燥过程建模实验仿真环境

3．5 基于LS-SVM的木材干燥过程基准模型仿真实验

3．5．1 柞木干燥过程LS-SVM基准模型仿真实验

3．5．2 水曲柳干燥过程LS-SVM基准模型仿真实验

3．5．3 木材干燥过程LS-SVM基准模型仿真实验结果分析

3．6 本章小结

4 基于智能算法优化LS-SVM的木材干燥过程基准模型

4．1 网格搜索法

4．1．1 交叉验证法

4．1．2 基于交叉验证的网格搜索法

4．2 基于GS-LSSVM的木材干燥过程基准模型

4．2．1 基于GS-LSSVM的木材干燥过程基准模型结构

4．2．2 柞木干燥过程GS-LSSVM基准模型仿真实验

4．2．3 水曲柳干燥过程GS-LSSVM基准模型仿真实验

4．2．4 木材干燥过程GS-LSSVM基准模型仿真实验结果分析

4．3 遗传算法

4．3．1 遗传算法的基本思想

4．3．2 遗传算法的主要步骤

4．4 基于GA-LSSVM的木材干燥过程基准模型

4．4．1 基于GA-LSSVM的木材干燥过程基准模型结构

4．4．2 柞木干燥过程GA-LSSVM基准模型仿真实验

4．4．3 水曲柳干燥过程GA-LSSVM基准模型仿真实验

4．4．4 木材干燥过程GA-LSSVM基准模型仿真实验结果分析

4．5 粒子群优化算法

4．5．1 粒子群优化算法的基本原理

4．5．2 基本粒子群优化算法流程

4．6 基于PSO-LSSVM的木材干燥过程基准模型

4．6．1 基于PSO-LSSVM的木材干燥过程基准模型结构

4．6．2 柞木干燥过程PSO-LSSVM基准模型仿真实验

4．6．3 水曲柳干燥过程PSO-LSSVM基准模型仿真实验

4．6．4 木材干燥过程PSO-LSSVM基准模型仿真实验结果分析

4．7 三种智能优化方法的仿真实验结果对比分析

4．8 本章小结

5 基于FW-PSO-LSSVM的木材干燥基准模型和控制模型

5．1 木材干燥过程的在线FW-PSO-LSSVM模型

5．1．1 模糊加权基本理论

5．1．2 木材干燥过程的控制模型和基准模型结构

5．2 基于FW-PSO-LSSVM的木材干燥过程基准模型

5．2．1 基于FW-PSO-LSSVM的木材干燥过程基准模型结构

5．2．2 柞木干燥过程FW-PSO-LSSVM基准模型仿真实验

5．2．3 水曲柳干燥过程FW-PSO-LSSVM基准模型仿真实验

5．2．4 木材干燥过程FW-PSO-LSSVM基准模型仿真实验结果分析

5．3 基于FW-PSO-LSSVM的木材干燥过程控制模型

5．3．1 基于FW-PSO-LSSVM的木材干燥过程控制模型结构

5．3．2 柞木干燥过程FW-PSO-LSSVM控制模型仿真实验

5．3．3 水曲柳干燥过程FW-PSO-LSSVM控制模型仿真实验

5．3．4 木材干燥过程FW-PSO-LSSVM控制模型仿真实验结果分析

5．4 本章小结

6 木材干燥系统模糊神经网络控制器设计及仿真研究

6．1 模糊神经网络控制系统

6．1．1 模糊控制

6．1．2 人工神经网络控制

6．1．3 模糊神经网络控制

6．2 木材干燥系统模糊控制研究

6．2．1 模糊控制器基本原理

6．2．2 木材干燥模糊控制器仿真实验与结果分析

6．3 木材干燥系统模糊神经网络控制研究

6．3．1 标准模糊神经网络控制器基本原理

6．3．2 GA优化的模糊神经网络控制器基本原理

6．3．3 木材干燥GA优化的模糊神经网络控制器仿真实验与结果分析

6．4 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