基于支持向量機的木材干燥建模研究.pdf

1、目前，地球森林資源的不斷減少與人們對木材持續(xù)增長的喜愛與需求構成了一對難以調和的矛盾。木材干燥是改變木材的物理力學性能，保證木制品品質的關鍵環(huán)節(jié)之一。然而目前我國大多數(shù)木材干燥設備存在自動控制水平低，可靠性差等不足，導致干燥能耗升高，木材降等損失嚴重等問題。設計木材干燥自動控制系統(tǒng)首先要考慮的就是建立木材干燥系統(tǒng)模型。針對木材干燥過程的強非線性、強耦合、大滯后等特點，建立木材干燥機理模型往往由于帶有過多約束條件，導致模型過于復雜而難以實

2、際應用?；跀?shù)據(jù)的機器學習方法屬于實驗建模方法，只需要對系統(tǒng)可觀測的輸入輸出數(shù)據(jù)進行學習，即可建立能反映木材干燥系統(tǒng)宏觀特性的模型。此類方法的出現(xiàn)，很好的解決了非線性系統(tǒng)建模的難題。
　　支持向量機是Vapnik及其合作者于上世紀九十年代初提出的，其理論基礎是統(tǒng)計學習理論。支持向量機是一種專門針對小樣本的學習機器，由于以結構風險最小化原則為基礎，克服了神經(jīng)網(wǎng)絡中的過學習等缺點，具有很強的泛化能力。本文針對木材干燥系統(tǒng)強非線性的特點

3、，采用基于支持向量機的機器學習方法建立木材干燥模型。以實際干燥實驗過程得到的系統(tǒng)數(shù)據(jù)作為樣本集，分別進行支持向量機及最小二乘支持向量機的建模與仿真實驗研究，結果表明基于支持向量機的木材干燥模型能夠很好的反映木材干燥過程特性的變化。同時本文分析了不同類型的核函數(shù)、不同參數(shù)優(yōu)化方法對木材干燥支持向量機模型性能的影響，以確定適用于木材干燥系統(tǒng)的核函數(shù)類型及參數(shù)優(yōu)化方法。
　　木材干燥過程具有一定的復雜性，離線建模方法往往不能很好的反映出

4、木材干燥過程的動態(tài)特點。而在線建模方法由于能夠在線更新訓練樣本及模型結構，能夠實時反映系統(tǒng)當前狀態(tài)，具有很好的動態(tài)特性，所以本文采用LSSVM方法進行了木材干燥過程的在線建模研究。標準的在線建模方法采用時間窗形式更新模型樣本，即每加入一個新采集的樣本數(shù)據(jù)，同時刪除一個最早的歷史數(shù)據(jù)進行木材干燥的在線建模。由于LSSVM不具有稀疏性，根據(jù)稀疏LSSVM理論，本文也提出了采用刪除支持向量系數(shù)最小的樣本方式在線更新模型樣本進行在線建模。兩種在