基于智能決策的氣候因子對(duì)木材特性影響預(yù)測(cè)的研究.pdf

1、學(xué)校代碼：10225學(xué)號(hào)：S13221學(xué)位論文基于智能決策的氣候因子對(duì)木材特性影響預(yù)測(cè)的研究g口zt卓鈥干除指導(dǎo)教師姓名：岳琪教授東北林業(yè)大學(xué)申請(qǐng)學(xué)位級(jí)別：碩士學(xué)科專業(yè)：林業(yè)信息工程論文提交日期：2013420論文答辯日期：201369授予學(xué)位單位：東北林業(yè)大學(xué)授予學(xué)位日期：●答辯委員會(huì)主席：論文評(píng)閱人：春必櫛素大學(xué)摘要摘要木材特性是決定林木生產(chǎn)加工的重要因素。木材特性受多種條件影響，包括遺傳因素、立地條件、氣候因子等，其中以氣候因子的

2、影響最為顯著。因此，在我國(guó)氣候環(huán)境問(wèn)題嚴(yán)重、森林資源銳減的今天，掌握氣候因子對(duì)木材特性的作用規(guī)律，對(duì)于木材的培育和生產(chǎn)加工有著重要的意義，對(duì)實(shí)現(xiàn)林業(yè)的優(yōu)質(zhì)、高效、高產(chǎn)、可持續(xù)的發(fā)展與利用具有深遠(yuǎn)的影響。以往的研究，多是用數(shù)據(jù)分析、回歸方法研究氣候因子對(duì)木材特性的相關(guān)性的影響，對(duì)優(yōu)化培育措施方面具有一定作用，但不能根據(jù)具體木材本身的特性進(jìn)行研究，更不能通過(guò)氣候因子來(lái)預(yù)測(cè)木材的特性。本研究以人工林大青楊為研究對(duì)象，在氣候因子對(duì)木材特性的影響

3、的基礎(chǔ)上，研究了利用智能決策手段對(duì)人工林大青楊的特性的預(yù)測(cè)問(wèn)題。具體的過(guò)程包括，通過(guò)對(duì)文獻(xiàn)的研究，選擇了對(duì)木材加工利用較為重要的三個(gè)特性作為預(yù)測(cè)對(duì)象，即預(yù)測(cè)模型的輸出，并剔除了對(duì)這三個(gè)特性明顯無(wú)關(guān)的氣候因子；通過(guò)回歸分析的方法，篩選出相關(guān)性較大的氣候因子，即預(yù)測(cè)模型的輸入。第二，在對(duì)RBF神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上，提出了一種改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)，并運(yùn)用到預(yù)測(cè)模型中。第三，在前文確定的主要的氣候因子基礎(chǔ)上，研究了對(duì)木材特性影響較大的極

4、端和累積溫度值，修正之前模型的輸入，基于模糊神經(jīng)網(wǎng)絡(luò)建立了預(yù)測(cè)模型。第四，基于前面模型的不足，提出一種利用遺傳算法改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)，自適應(yīng)的確定模型的參數(shù)，建立了氣候因子對(duì)木材特性影響的預(yù)測(cè)模型。基于上述過(guò)程取得的成果：(1)通過(guò)文獻(xiàn)的研究，確定預(yù)測(cè)模型輸出分別為：生長(zhǎng)輪寬度、晚材率和晚材纖維壁厚。利用線性回歸分析，確定各模型的輸入，生長(zhǎng)輪寬度預(yù)測(cè)模型的輸入為：9月日照百分率、11月日照百分率、4月相對(duì)濕度、7月相對(duì)濕度、8月相對(duì)濕

5、度、2月最高地溫；晚材率預(yù)測(cè)模型的輸入為：8月平均氣溫、6月相對(duì)濕度、6月降雨量、8月降雨量、8月日照百分率、11月日照百分率、1月地面溫度、1月最低地溫、3月最高地溫；晚材纖維壁厚預(yù)測(cè)模型的輸入為：7月平均氣溫、5月相對(duì)濕度、9月相對(duì)濕度、10月相對(duì)濕度、11月相對(duì)濕度、5月降雨量、9月降雨量、10月降雨量、8月日照百分率、7月地面溫度、10月地面溫度、8月最低地溫。(2)利用改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)建立的預(yù)測(cè)模型，增加了輸入層對(duì)

6、輸出層的直接影響，利用MATLAB進(jìn)行仿真，從結(jié)果可知，收斂速度和預(yù)測(cè)精度都比較理想。從速度看三個(gè)模型的收斂速度分別為36步、38步、38步，收斂速度比較快，可實(shí)現(xiàn)在線訓(xùn)練；從預(yù)測(cè)精度上看，三個(gè)模型的平均誤差則分別為2。37％、024％、009％，其中最大誤差分別為287％、029％、012％。由此可知，基于改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)適用于晚材率、晚材纖維壁厚的預(yù)測(cè)，對(duì)生長(zhǎng)輪寬度的預(yù)測(cè)的誤差較大，有待進(jìn)一步改善。(3)改進(jìn)了原晚材率的