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。

本文根据人工林红松木材生长轮密度变异特点 ,采用时间序列分析法 ,建立了人工林红松木材生长轮密度的动态模型 ,对木材生长轮密度进行近期预测 ,预测结果良好。此研究结果实现了木材生长轮内的材质预测 ,为人工林红松的定向培育提供理论依据

将人工神经网络应用于木材干燥控制研究中,建立可用于木材含水率预测的时延神经网络基准模型,并给出其网络辨识结构。通过3个树种的实际干燥数据对所建立的网络模型进行训练和验证,仿真结果表明预测模型是可行而有效的,具有较好的动态跟踪能力和预报特性,实现了木材干燥基准的数学模型化,对进一步优化木材干燥基准实施与控制具有重要的指导意义和应用价值。

证券投资基金收益往往具有更高的峰度与更大的偏度,建立在古典假定基础上的均值回归分析难以给出准确预测结果。考虑到证券投资基金收益中的高峰、非对称等典型特征与各因素对收益序列的非线性影响模式,建立神经网络分位数回归模型,一方面,可以通过分位数回归功能,揭示各因素对证券投资收益整个条件分布的影响规律;另一方面,可以通过神经网络结构,模拟金融系统中的非线性关系。在神经网络分位数回归模型基础上,对证券投资基金收益整个条件密度函数进行预测,提供比点预测更多的有用信息,便于进行科学决策。

提出X射线图像法测定木材生长轮密度和生长轮宽度的一种新方法,应用自编的软件,对图像进行预处理,获取其灰度值,根据图像的灰度值与穿透物材料密度的线性关系直接测定物体微密度,并与微密度测量仪测定结果进行对比。结果表明:X射线图像法与仪器法相比,平均密度误差为0.45%,相关系数为0.9664;生长轮宽度误差为0.34%,相关系数为0.9962,显著度密切相关。图像法测量生长轮密度和生长轮宽度是可行的,对于生长轮界限不明显的木材,图像法更优。

【目的】木材密度不仅与木材的各种材性密切相关，而且是衡量木材质量与价值的重要指标。采用近红外光谱（Near infrared spectroscopy, NIRS）分析技术能够快速、高效地预测木材密度，避免了传统试验中繁琐的检测步骤。长短期记忆网络(Long short-term memory network, LSTM)作为循环神经网络(Recurrent neural network, RNN)的变体，不仅可以学习序列数据之间的高阶特征信息，而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题。将LSTM与NIRS结合，提出一种能够准确预测樟子松木材气干密度的无损检测技术，为提高NIRS模型预测木材气干密度精度提供理论依据。【方法】该研究以樟子松木材样本为研究对象，用近红外光谱仪获得106个樟子松样本的光谱数据，并在恒温（20±2℃）恒湿（65%±3%）的环境下测定样本的气干密度。通过对比多组预处理方法和特征选择方法，采用Savitzky-Golay卷积平滑（Savitzky-Golay smoothing,SGS）等方法进行预处理，采用竞争性自适应加权算法（Competitive adaptive reweighted sampling, CARS）进行波段选择，剔除NIRS数据中的高频噪声与冗余信息，提升光谱数据质量、建模速度与精度。为验证LSTM模型预测能力，将其与偏最小二乘回归(Partial least squares regression, PSLR)、卷积神经网络(Convolution neural network, CNN)等建模算法对比分析。上述3种算法被分别应用于建立樟子松木材气干密度近红外预测模型。【结果】基于上述3种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测。且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型。其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好（R2=0.959,RMSEP=0.005,RPD=5.033）。【结论】通过对樟子松木材光谱数据与气干密度的采集，建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法。LSTM预测模型相较于传统的回归模型，模型的预测精度更高，回归效果更好，鲁棒性更强。该检测方法既可保证木材的完整性，又可以提高气干密度的预测精度，实现了对樟子松木材气干密度的快速无损检测，为木材近红外光谱分析提供了可参考的模型与理论依据。

利用神经网络所具有的输入-输出之间的高度非线性映射关系,给出一种利用BP神经网络模型预测木材径向导热系数的方法。为了提高网络模型的泛化能力,采用规则化调整的方法。仿真结果表明:利用文中所提出的神经网络模型能够较准确、快速地预测木材径向导热系数的变化,其精度高于推导出的木材径向导热系数的理论公式。

本文报道了橡胶树 3个无性系生长轮宽度、木材基本密度和热水浸提物含量变异规律 ,并就橡胶树木材材质改良与资源开发利用进行了讨论。木材基本密度无性系间差异不显著 ,无性系内株间差异显著。PR10 7无性系株内木材基本密度径向上为“递增、稳定”的模式 ,过熟期内木材密度降低 ;纵向上为递增到最大值后减少。株内木材密度变化范围为 0 4 70g·cm- 3～ 0 6 0 5g·cm- 3,变异系数为 3 0 %～ 8 2 %。林分内株间木材基本密度变化范围为 0 4 2 1g·cm- 3～ 0 5 80g·cm- 3,变异系数为 5 16 %～ 7 0 5 %。橡胶木浸提物含量较高 ,株内...

【目的】通过对马尾松Pinus massoniana人工林密度指数模型的研究,为制定木材产量及质量的提升决策提供参考。【方法】以河南省薄山林场马尾松人工林为研究对象,采用147块标准地数据,以林分平均胸径为输入向量,以林分密度为输出向量,建立了林分密度指数人工神经网络(ANN)模型,并与Reineke的林分密度指数模型进行比较。【结果】①薄山林场马尾松人工林最大密度线斜率b为-1.516 3,马尾松标准平均胸径为14 cm, Reineke的林分密度指数模型精度为92.11%, t检验结果显著;②构建了网络结构为1∶2∶1的林分密度指数ANN模型,模型拟合精度为92.57%,均方误差为0.001 469 7。③无论采用Reineke林分密度指数还是人工神经网络技术,在拟合株数密度随林分平均胸径的变化趋势时,幼龄林组拟合效果都不理想,这与幼龄林组数据数量偏少有关。【结论】所建模型可为薄山林场马尾松抚育经营决策提供依据。图4表1参13

为探索人工神经网络在林分保留密度研究中的应用效果,以马尾松人工林为对象,481块标准地资料为基础数据,用MATLAB的正切“S”形函数tansig为神经元的作用函数,以年龄和密度的标准化、归一化数据为训练样本,构建和训练林分保留密度的人工神经网络模型,并与幂函数进行对比研究.结果表明,密度与年龄的关系用幂函数(y=axb)描述,拟合精度为91.29%;用人工神经网络描述,拟合精度为94.27%.可见,人工神经网络能比常规方法更好地模拟林分密度随年龄的变化规律,特别能有效地模拟经营活动下的复杂过程.

【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。

本文介绍了基于遗传算法的神经网络模型 ,应用该模型对我国山东省木材消耗量进行了预测 ,结果表明 ,预测精度高 ,并且具有良好的扩展性

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...

利用设置在福建武平的12年生马尾松种源与初植密度互作试验林,研究5个优良种源生长、形质和木材基本密度对初植密度的反应及其互作效应。结果表明:马尾松不同种源对初植密度的反应存在较大的差异,并因性状而异。种源胸径和活枝下高对初植密度反应最为敏感,树高次之,树干通直度和木材基本密度反应最小。广西岑溪、广东信宜、江西崇义和福建武平属于胸径对初植密度敏感的种源,皆表现在2.5m×2.0m初植密度下生长量最大,广东高州种源胸径生长对初植密度的敏感性则较小;5个参试种源活枝下高的初植密度效应差异显著,皆随着初植密度增加而升高;除发现江西崇义种源树干通直度和福建武平种源木材基本密度在不同初植密度间存在一定差异...