基于卷積神經(jīng)網(wǎng)絡(luò)的樟子松木材密度近紅外預(yù)測(cè)模型優(yōu)化

打開文本圖片集

摘要：近紅外光譜分析技術(shù)在木材密度的預(yù)測(cè)方面具有獨(dú)特的優(yōu)勢(shì)，是一種方便且快速的無損檢測(cè)技術(shù)。卷積神經(jīng)網(wǎng)絡(luò)作為經(jīng)典的深度學(xué)習(xí)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(jìn)行學(xué)習(xí)，與傳統(tǒng)的學(xué)習(xí)模型相比具有更強(qiáng)的模型表達(dá)能力。為此將卷積神經(jīng)網(wǎng)絡(luò)用于近紅外光譜預(yù)測(cè)木材的氣干密度，以樟子松為研究對(duì)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(xué)生化殘差t檢驗(yàn)（HLSR）法剔除奇異樣本，采用SGS+MC+Auto（Savitzky-Golay smoothing+ mean centering+ autoscaling）對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，通過競(jìng)爭性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling method， CARS）對(duì)特征波長進(jìn)行提取，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)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(jī)（support vector regression ， SVR）和BPNN（backpropagation network）神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。（剩余18880字）