基于卷積神經網(wǎng)絡的樟子松木材密度近紅外預測模型優(yōu)化

打開文本圖片集

摘要：近紅外光譜分析技術在木材密度的預測方面具有獨特的優(yōu)勢，是一種方便且快速的無損檢測技術。卷積神經網(wǎng)絡作為經典的深度學習模型之一，能夠利用卷積和池化操作提取數(shù)據(jù)中的特征映射進行學習，與傳統(tǒng)的學習模型相比具有更強的模型表達能力。為此將卷積神經網(wǎng)絡用于近紅外光譜預測木材的氣干密度，以樟子松為研究對象，獲取樣本木材橫切面的近紅外光譜數(shù)據(jù)，采用杠桿值與學生化殘差t檢驗（HLSR）法剔除奇異樣本，采用SGS+MC+Auto（Savitzky-Golay smoothing+ mean centering+ autoscaling）對光譜數(shù)據(jù)進行預處理，通過競爭性自適應重加權算法（competitive adaptive reweighted sampling method， CARS）對特征波長進行提取，構建卷積神經網(wǎng)絡模型，預測樟子松的氣干密度；并與偏最小二乘回歸（partial least squares regression ， PLSR）、支持向量機（support vector regression ， SVR）和BPNN（backpropagation network）神經網(wǎng)絡的預測結果進行對比。（剩余18880字）