利用榆木标准试件,在实验室内用超声波检测仪器对试件进行缺陷分类检测,检测信号作为原始信息。各类试件的原始信号用小波包分解,计算缺陷试件与完好试件在小波包第5层各结点的信号能量变化值。试验发现:木材缺陷引起能量的变化值主要由木材缺陷的大小或严重程度来决定,亦即木材的缺陷程度越严重,能量的变化幅度就越大;对小波包5层分解后各信号结点的能量变化值进行分析,发现在32个结点中,(5,0)结点在各类缺陷试件中能量值变化最大;使用经小波压缩后的信号作为神经网络的输入,形成应用频带能量变化值和应用(5,0)结点小波包系数的2个不同输入特征的人工神经网络。对比分析2个网络识别木材缺陷类型的能力,(5,0)结点...

内部控制缺陷认定是判断企业内部控制是否有效的重要依据,是内部控制评价的重要部分。本研究将BP神经网络技术运用于内部控制缺陷认定,探讨通过建立BP内控缺陷识别模型实现对企业内部控制缺陷的识别诊断,解决目前缺陷认定过度依赖评价人员职业素养且主要集中在事后判断,缺少事中识别和预警的问题。研究构建了BP缺陷识别模型,分析了利用模型识别缺陷程度的基本原理,并对模型的应用效果进行了识别检验。本文为研究和开展企业内部控制缺陷自动化识别跟踪提供了一种可行路径,也为人工智能与内部控制结合探讨提供了一种思路和范例。

为了实现对木材孔洞缺陷的定量检测,在室内常温下,用RSM-SY5非金属超声波检测仪对50个孔洞缺陷的色木试件进行透射检测.通过对超声检测信号的小波变换特征分析,得到32个从低频到高频的小波包系数,提取其各频带内信号的能量变化量,构造一个32维特征向量,作为BP神经网络的输入参数,最后将这些特征输入神经网络进行训练和识别.结果表明:色木孔洞大小的总识别率达到88%;网络仿真的输出结果和目标输出做线性回归分析,得到的相关系数在0.8~0.9之间,训练结果比较理想.

上海银行间同业拆放利率(Shibor)的推出是中国利率市场化重要的一步。在阐述了Shibor的背景、功能以及对经济发展的重大意义之后,分别建立了小波神经网络和回归时间序列组合模型对2周品种Shibor进行预测对比分析,研究结果表明,小波神经网络的拟合和预测精度较高,具有一定的科学性和实用性。

【目的】针对传统木材种类人工鉴定方法存在的专业性强、任务重、周期长和非实时性等问题，提出一种基于改进残差神经网络的木材识别算法，以满足木材监管实时性和高效性需求。【方法】以32种横截面打磨后的木材为研究对象，首先，利用外带微距镜头的手机采集8 975幅木材横截面图像，通过R、G、B三通道平均灰度值计算增益系数，用各通道灰度值与对应增益系数的乘积代替原始通道灰度值，消除由图像采集设备和环境差异引起的偏色影响；其次，基于木材横截面宏观结构的自相似性，采用水平翻转、垂直翻转、添加椒盐噪声和图像分块方式获取更多的训练样本和图像特征，并保证不同种类的木材图像数量相对均衡；然后，通过双线性插值法将每幅分块子图像统一缩放至224×224像素，应用基于分块梯度加权的改进残差卷积神经网络ResNet101模型对每幅子图像进行特征提取，并计算每幅图像的最终识别得分；最后，选择平均准确率和平均召回率评价不同分块处理策略、不同模型和改进的残差卷积神经网络模型的识别结果。【结果】在同一测试集上，VggNet16、GoogleNet、DenseNet、MobileNetv3、ResNet50、ResNet101和ResNet152模型对32种相似木材横截面原图进行识别，平均识别准确率分别为71.3%、81.3%、83.2%、66.4%、87.9%、92.1%和90.5%,ResNet101模型适合于木材图像特征提取和种类鉴定；基于原图5×5、7×7和10×10分块的ResNet101模型，分别获得94.8%、96.5%和95.3%的平均准确率；将分块梯度加权策略应用于ResNet101模型，获得98.8%的平均准确率和99.1%的平均召回率，较基于原图、7×7分块的ResNet101模型，采用分块梯度加权方法改进的ResNet101模型的平均准确率分别提高6.7%和2.3%,平均召回率分别提高7.4%和2.8%,分块梯度加权方法可有效提升木材识别模型的准确率。【结论】基于分块梯度加权的ResNet101模型对32种相似木材进行识别，平均准确率为98.8%;木材横截面图像可用于木材种类识别，分块梯度加权策略能够提高模型识别准确率。

为了获得木材径切面上的缺陷形状、大小和位置,提出一种木材径切面内部缺陷成像的方法。首先,基于应力波在木材径切面上的传播规律,提出一种木材径切面上的应力波速度修正方法。将应力波速度转换为径切面上的若干个预估点的值,结合反距离加权插值(IDW)法提出一种速度修正插值(VCI)方法。最后,使用VCI方法在不同树木样本上进行了木材径切面缺陷的二维成像实验。结果表明:①VCI方法可以重建木材内部缺陷大小以及缺陷位置,缺陷成像结果与真实的缺陷情况相吻合。②对比IDW方法的成像结果, VCI方法对缺陷的大小以及缺陷形状、位置的成像结果有较大提高。③利用混淆矩阵方法对VCI与IDW方法进行定量分析表明, VCI方法的平均准确率、平均精确度和平均查全率均高于IDW方法,说明VCI方法成像效果的可行性和有效性。

本文通过小波变换和神经网络的结合,建立了相应的小波神经网络经济预测模型。该模型克服了传统时间序列预测模型只能进行线性预测,避免了一些BP神经网络的固有缺陷。

本文在传统CAPM的基础上,引入了一个高阶的CAPM。借助小波神经网络在非线性函数逼近方面的优势,使用上海证券交易所股票数据分别对二阶至四阶CAPM进行了实证分析。最终的研究结果表明:就上海股市而言,12只大盘股组合已经能够有效分散非系统风险,而12只小盘股不能充分化解非系统风险,存在所谓的"规模效应";训练后的网络预测显示,高阶CAPM无论是在预测精度还是预测稳定性上都要明显优于传统的CAPM,在一个非系统风险得到充分分散的证券组合中,加入三阶矩的CAPM已经能够比较准确地把握风险资产的市场定价。

基建投资预测是基建部门急需解决的问题之一,本文在分析已有预测技术的基础上,建立了相应的小波神经网络模型。运用历年天津市基建投资数据进行实证研究,为政府相关部门编制基建投资的规划提供有效的理论支持。

【目的】为获取木材内部构造形态,提高木材内部缺陷识别率,依据获得的计算机断层扫描图像,提出一种基于卷积神经网络(CNN)的木材内部缺陷辨识方法,以实现木材的高效化自动分类。【方法】首先,利用课题组自行开发的计算机断层扫描系统,采集样本木材内部CT图像800幅;然后,对样本图像进行处理,随机选取700幅原始样本图像,从中截取出单个缺陷区域和正常木材断层区域样本图像20 000幅,并利用图像增强等算法将数据集扩充到70 000幅,标准化图像大小为28×28像素,分为正常、裂纹、虫眼和节子图像共4类,取60 000幅图像作为训练集,10 000幅图像作为测试集,剩余的100幅原始样本图像用于试验验证。【结果】通过60 000幅图像来训练网络模型,对测试集10 000幅图像进行分类,分类正确率达99.3%;利用训练得到的网络模型对100幅原始样本图像进行验证,平均分类正确率为95.87%。【结论】基于卷积神经网络的木材内部CT图像缺陷辨识算法,克服了传统识别方法图像预处理繁琐、训练方法复杂、训练参数过多、耗时过多等问题,具有精度高、复杂度小、鲁棒性较好等优点,且辨识正确率和辨识时间都比现行常规算法精准并用时短,是一种无损、高效、准确的辨识分类方法。

提出一种基于过程神经网络的木材生长轮密度长期预测方法。本方法利用输入输出均为时变函数的过程神经网络输出为时变函数的特点,将原始数据拟合为输入函数并表示为一组正交基的展开形式后,使用混合遗传算法训练过程神经网络,得到过程神经网络的输出函数,以此实现木材生长轮密度的一次多步长期预测,通过与传统时间序列预测方法比较,预测精度得到显著提高,并为时间序列长期预测问题提供新方法。

【目的】基于可见/近红外光谱技术，以10种木材为研究对象，探索不同预处理和特征提取方法下BP神经网络识别木材的效果。【方法】利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图，分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理，运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取，将提取的特征结合BP神经网络进行木材识别试验。【结果】以SPA和GA联合提取光谱特征时，移动平均法+SNV的预处理效果最佳，以吸收峰为起始波段(W_(initial)=1 445 nm)、吸收峰个数为特征个数(N_(tot)=9)时，识别率较高，特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%，其中7种木材的识别率达到了100.0%。【结论】在移动平均法+SNV的预处理下，SPA和GA联合提取光谱图的特征，既可提高BP神经网络识别木材的正确率，又可提升识别速度。图3表6参23

【目的】构建基于卷积神经网络的木材识别系统,实现木材树种在多场景条件下的自动精准识别,为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。【方法】采集15种黄檀属和11种紫檀属木材标本横切面构造特征图像,建立图像数据集Rosewood-26;构建AlexNet、VGG16、DenseNet-121和ResNet-50共4种卷积神经网络模型,基于ImageNet图像数据集对模型进行迁移学习,采用Rosewood-26图像数据集训练、测试和比较模型,优选识别性能较好的卷积神经网络模型,并进行木材树种分类;在此基础上,构建包含15种黄檀属和11种紫檀属树种的木材自动识别系统iWood,利用市场木材样品对系统进行应用测试和评价。【结果】在构建的4种卷积神经网络模型中,ResNet-50模型表现出最高的识别精度(98.33%)、最少的权重数量和较低的模型复杂性,适用于木材树种准确快速识别;ResNet-50模型对9种黄檀属和3种紫檀属木材的识别精度达100%,并可成功鉴别构造特征极其相似的檀香紫檀和染料紫檀;基于ResNet-50模型构建的木材自动识别系统iWood,在"属"和"种"水平的识别精度分别为91.8%和77.3%。【结论】基于卷积神经网络的木材识别系统iWood适用于海关执法、木材贸易和质量监督检验等多场景下的木材自动精准识别,能够为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。

天然气是人民生活和工业生产的一种主要能源,随着天然气使用的逐步推广和天然气消费量的快速增长,正确合理地对天然气消费量进行预测有着重要而深远的意义。利用灰色关联度分析法筛选出影响天然气消费量的六个主要因素——人均GDP、天然气生产总量、居民消费水平、用气人口、城镇化率和管道运输长度,在此基础上提出了基于遗传算法优化的小波神经网络预测模型,以1995-2013年中国天然气消费量的统计数据为例对预测模型进行训练和检验,并将该预测方法与传统BP网络、小波神经网络预测方法作对比,预测结果表明,该方法的预测精度更高。遗传算法和小波神经网络相结合的预测方法,可以科学预测我国未来年份的天然气消费量,有效地提高了预测精度,为天然气行业的发展提供理论依据和实证支持。