專利名稱：基于木材結(jié)構(gòu)參數(shù)確定木材物理、力學(xué)特性的分析儀器的制作方法
技術(shù)領(lǐng)域：
本實(shí)用新型涉及一種由木材結(jié)構(gòu)參數(shù)確定木材物理、力學(xué)特性的分析儀器。這些分析可以為木材科學(xué)領(lǐng)域的木材性質(zhì)研究、探討木材性質(zhì)形成機(jī)理、樹木優(yōu)質(zhì)種質(zhì)資源培育、樹木轉(zhuǎn)基因工程、定向培育材質(zhì)改良的樹木新品種等方面提供科學(xué)依據(jù)及量化指標(biāo)。
背景技術(shù)：
從森林的培育到木材的綜合利用，都與樹木及木材的內(nèi)部結(jié)構(gòu)息息相關(guān)。為此，國內(nèi)外專家學(xué)者都在木材內(nèi)部結(jié)構(gòu)與物理及力學(xué)關(guān)系上問題上開展了大量的研究。克恩(Cown)在(Cown et al.1991)給出了木材的螺旋紋理與木材的力學(xué)強(qiáng)度的關(guān)系模型，通過該模型可知螺旋紋理對木材的干燥程度和力學(xué)強(qiáng)度的關(guān)系，并給出根據(jù)螺旋紋理的分布狀態(tài)、方向和角度確定其木材加工方法，已部分地緩解強(qiáng)度降低、開裂等問題。哈里斯(Harris)研究了木材紋理與木材種類的關(guān)系，并得出大部分木材呈螺旋紋理僅有少部分木材呈直紋理狀態(tài)的結(jié)論(Harris 1973，1989)。狄普(Draper)、史密斯(Smith)用線性或非線性的方法對木材結(jié)構(gòu)的單一特征與密度、強(qiáng)度等建立了回歸模型。
就目前國內(nèi)外對木材結(jié)構(gòu)與力學(xué)、強(qiáng)度的關(guān)系研究存在著如下問題●現(xiàn)有揭示木材結(jié)構(gòu)與力學(xué)強(qiáng)度的關(guān)系不能反映其全部的特征。因?yàn)榫推錁淠九c木材本身就是一類復(fù)雜的生命體，僅用其內(nèi)部的某一結(jié)構(gòu)特征是不能全面而準(zhǔn)確的反映其規(guī)律的。
●現(xiàn)有的回歸方法所得到的精度一般都在70～80％左右，這只能說成是一個大致的趨勢，而無法準(zhǔn)確地把握真正的內(nèi)在性質(zhì)與力學(xué)間的關(guān)系；●現(xiàn)有的成果很難推廣應(yīng)用到森林種質(zhì)資源培育、轉(zhuǎn)基因工程、樹木定向培育、木材材質(zhì)改良以及提供木材新品種的研究和應(yīng)用上來。

發(fā)明內(nèi)容
本實(shí)用新型要解決的技術(shù)問題是針對國內(nèi)外對樹木內(nèi)部結(jié)構(gòu)與木材物理、力學(xué)關(guān)系的研究開發(fā)中存在的問題和不足，提出一種基于木材結(jié)構(gòu)參數(shù)確定木材物理、力學(xué)特性的分析儀器。該儀器提供了對木材性質(zhì)形成機(jī)理的成因分析，描述了木材這一類復(fù)雜生命體內(nèi)部結(jié)構(gòu)與其物理、力學(xué)間的相互關(guān)系，并保證精度在95％以上。其目的是為森林種質(zhì)資源培育、轉(zhuǎn)基因工程、樹木定向培育、木材性質(zhì)研究、木材性質(zhì)及形成機(jī)理定向培育木材材質(zhì)改良、木材新品種培育等領(lǐng)域提供科學(xué)的依據(jù)及方法，使我國能在短期內(nèi)，在上述領(lǐng)域內(nèi)位居世界前列。
本實(shí)用新型提出一種基于木材結(jié)構(gòu)參數(shù)確定木材物理、力學(xué)特性的分析儀器，它包括輸入鍵盤，計(jì)算機(jī)主機(jī)，顯示器或/和打印輸出裝置，所述計(jì)算機(jī)主機(jī)內(nèi)包括并依次連接1)輸入單元，其中依次包括用于接收木材結(jié)構(gòu)參數(shù)的輸入模塊，參數(shù)辨識、校對及控制器，加法器；2)接口引擎單元，其中包括用于開啟Matlab引擎的模塊，以及并列聯(lián)接的數(shù)據(jù)緩沖區(qū)、用于實(shí)現(xiàn)木材結(jié)構(gòu)參數(shù)數(shù)據(jù)格式轉(zhuǎn)換的模塊、用于神經(jīng)元網(wǎng)絡(luò)模型文件的調(diào)用模塊；3)神經(jīng)元網(wǎng)絡(luò)非線性逼進(jìn)單元，其中依次包括用于確定木材結(jié)構(gòu)參數(shù)影響木材物理力學(xué)特性的權(quán)值的權(quán)值函數(shù)的計(jì)算模塊，用于通過自學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)層權(quán)值修正并產(chǎn)生權(quán)值的線性函數(shù)的模塊；4)輸出單元，其中包括材性量化指標(biāo)的輸出模塊和相關(guān)輸出曲線的輸出模塊。
本實(shí)用新型的基于木材結(jié)構(gòu)參數(shù)確定木材物理、力學(xué)特性的分析儀器與現(xiàn)有技術(shù)相比較，具有以下優(yōu)點(diǎn)1、本實(shí)用新型中的木材解剖微觀參數(shù)包括微纖絲角、胞壁率、射線比量、管胞比量、早材管胞長度、晚材管胞長度、早材管胞寬度、晚材管胞寬度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直徑、晚材管胞T-直徑、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔徑比、晚材管胞腔徑比等18個參數(shù)，它們都對該木材的密度、徑向干縮、軸向干縮、弦向干縮、順紋抗壓強(qiáng)度、抗彎彈性模量、抗彎強(qiáng)度等7個重要材性指標(biāo)產(chǎn)生不同的影響。這種不同程度的影響，在本實(shí)用新型中體現(xiàn)在權(quán)值函數(shù)中，也就是說，本實(shí)用新型全面的把握了上述木材結(jié)構(gòu)參數(shù)與木材物理力學(xué)特性的關(guān)系。而現(xiàn)有的對這種關(guān)系的把握僅是上述的一個或幾個參數(shù)(如微纖絲角與木材物理力學(xué)特性的關(guān)系)對木材物理力學(xué)之間的關(guān)系。因此，本實(shí)用新型可以更完全、更真實(shí)地表現(xiàn)出木材結(jié)構(gòu)參數(shù)與其物理力學(xué)特性之間的關(guān)系。顯示直觀，一目了然。
2、現(xiàn)有的對這種復(fù)雜非線性關(guān)系的描述是基于線性或非線性回歸的方法，而這種方法本身就存在著不精確或者說先天不足。本實(shí)用新型所采用的神經(jīng)元網(wǎng)絡(luò)方法，可以任意地逼進(jìn)非線性，即只要神經(jīng)元層數(shù)足夠多，便可以達(dá)到任意理想的結(jié)果。
3、現(xiàn)有的算法是通過觀察輸入與輸出之間點(diǎn)的分布情況采取曲線擬合方法，其準(zhǔn)確度只能達(dá)到70％～80％之間。而本實(shí)用新型通過木材每一個結(jié)構(gòu)參數(shù)對木材物理、力學(xué)特性影響的權(quán)值及所求出的權(quán)值函數(shù)，更加真實(shí)地、切合實(shí)際地描述了木材結(jié)構(gòu)參數(shù)與木材物理力學(xué)特性之間關(guān)系，其準(zhǔn)確度可達(dá)95％以上。


圖1是基于木材結(jié)構(gòu)參數(shù)確定木材物理、力學(xué)特性分析儀器的結(jié)構(gòu)示意圖；圖2是本實(shí)用新型分析儀器的工作流程圖；圖3是輸入模塊的示意圖；圖4是接口引擎的工作流程圖；圖5是標(biāo)準(zhǔn)化處理器的示意圖；圖6是標(biāo)準(zhǔn)化處理器的運(yùn)算模塊的示意圖；圖7是神經(jīng)元網(wǎng)絡(luò)的運(yùn)算模塊的示意圖；圖8是神經(jīng)元網(wǎng)絡(luò)性能評估的線性回歸圖。
具體實(shí)施方式
在說明本實(shí)用新型的實(shí)施例之前，首先說明本實(shí)用新型的原理。
由于木材本身就是一個復(fù)雜的生命體或生物材料，其內(nèi)部的結(jié)構(gòu)與結(jié)構(gòu)之間、這些結(jié)構(gòu)與其自身的物理力學(xué)之間存在著相當(dāng)復(fù)雜的奇異非線性關(guān)系，一般說來不存在或很困難找到顯式的函數(shù)關(guān)系，即使免強(qiáng)找到了函數(shù)關(guān)系，那也會是一類非常復(fù)雜的非線性偏微分方程，處理起來相當(dāng)難以把握。事實(shí)上，非線性奇異系統(tǒng)都不能用子空間來描述(它們是屬于一些低維子流形)，直接討論低維子流形是比較困難的。因此，本實(shí)用新型利用了神經(jīng)元網(wǎng)絡(luò)能夠逼進(jìn)任意的非線性這一特性。即，通過輸入模塊接收木材結(jié)構(gòu)參數(shù)，經(jīng)過參數(shù)辨識及校對經(jīng)加法器輸出給接口引擎。在接口引擎中首先開辟一個數(shù)據(jù)緩沖區(qū)，在此區(qū)內(nèi)實(shí)現(xiàn)木材結(jié)構(gòu)參數(shù)數(shù)據(jù)的格式轉(zhuǎn)換、神經(jīng)元網(wǎng)絡(luò)模型文件的調(diào)用。經(jīng)過初步處理的數(shù)據(jù)傳遞給神經(jīng)網(wǎng)絡(luò)的第一層，在這一層須要標(biāo)準(zhǔn)化處理，再經(jīng)神經(jīng)元網(wǎng)絡(luò)初步的確定后計(jì)算出歐氏距離，最后通過自學(xué)習(xí)模型的修正后產(chǎn)生標(biāo)準(zhǔn)的權(quán)值函數(shù)，這個函數(shù)已將木材結(jié)構(gòu)參數(shù)對木材物理力學(xué)的影響的權(quán)值確定。在神經(jīng)元網(wǎng)絡(luò)的第二層，將收到第一層權(quán)值函數(shù)通過自學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)層權(quán)值模塊修正后進(jìn)行正規(guī)化處理產(chǎn)生權(quán)值的線性函數(shù)，最后達(dá)到木材物理力學(xué)特性的理想輸出，因此，只要神經(jīng)元層數(shù)足夠多，就可以達(dá)到任意精度的結(jié)果。
以下結(jié)合附圖和實(shí)施例，進(jìn)一步說明本實(shí)用新型。
本實(shí)用新型工作流程如圖2所示。分析儀器的結(jié)構(gòu)如圖1所示，包括輸入鍵盤，計(jì)算機(jī)主機(jī)，顯示器或打印輸出裝置，或者顯示器和打印輸出裝置，所述計(jì)算機(jī)主機(jī)還包括以下四大部分并依次聯(lián)接I.輸入單元1，其中包括木材結(jié)構(gòu)參數(shù)的輸入模塊5，參數(shù)辨識、校對及控制器6，加法器7；本實(shí)用新型在木材結(jié)構(gòu)參數(shù)的輸入模塊5中提供以下三種輸入模塊，可以選擇一種或其組合a.基于整體模型的宏觀分析的微觀參數(shù)輸入模塊8，在該模塊中共有18個木材解剖的微觀參數(shù)，包括微纖絲角、胞壁率、射線比量、管胞比量、早材管胞長度、晚材管胞長度、早材管胞寬度、晚材管胞寬度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直徑、晚材管胞T-直徑、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔徑比、晚材管胞腔徑比，根據(jù)以上18個輸入?yún)?shù)即可確定該木材的7個重要材性指標(biāo)，其中包括基本密度、徑向干縮、軸向干縮、弦向干縮、順紋抗壓強(qiáng)度、抗彎彈性模量、抗彎強(qiáng)度。
b.分年齡段木材材性指標(biāo)分析的參數(shù)輸入模塊9，在宏觀分析的基礎(chǔ)上，反應(yīng)木材不同年齡段的性質(zhì)變異和邊材心材的差異，給出分年齡段木材材性指標(biāo)分析的分模型，在輸入?yún)?shù)時給出其木材年齡即可得出精度更高的材性指標(biāo)預(yù)測結(jié)果。本實(shí)用新型能分析和預(yù)測1-15年的木材。
c.重要解剖參數(shù)的輸入模塊10，該模塊保證基本功能前提下簡化操作，減少對大量解剖參數(shù)的依賴，提供了不完全查詢，即可從18個微觀解剖數(shù)據(jù)中自行選擇輸入?yún)?shù)或定義輸入?yún)?shù)個數(shù)，得出木材的7個材性指標(biāo)，特別指出的是，此項(xiàng)不完全分析能保證其最大精度，在不完全查詢的參數(shù)組合中采用了逐步回歸分析法將參數(shù)歸類組合，采用主成分分析法可以降低輸入?yún)?shù)的維數(shù)。
圖3所示為輸入模塊結(jié)構(gòu)圖，無論選擇上述哪種分析方式，終端與界面接口都交互有數(shù)據(jù)信息及與數(shù)據(jù)相關(guān)的控制信息，即參數(shù)定義域控制、參數(shù)步長控制、數(shù)據(jù)格式控制。其中參數(shù)定義域控制主要用于校正參數(shù)輸入，在誤操作時給出告警，各定義域的初始設(shè)置由實(shí)驗(yàn)統(tǒng)計(jì)數(shù)據(jù)確定，儀器工作前可專門定制其所需要的參數(shù)區(qū)間。參數(shù)步長控制用于更改參數(shù)微調(diào)按鈕的步長，便于使用。數(shù)據(jù)格式控制是在輸入數(shù)據(jù)時選擇幾位有效數(shù)字和何種科學(xué)計(jì)數(shù)方法?？刂菩畔⒑蛿?shù)據(jù)信息在輸入模塊內(nèi)部的通信是透明的，可以自由選擇和分別輸入控制信息和數(shù)據(jù)信息，二者永遠(yuǎn)保持同步。
II.接口引擎單元2，其中包括用于開啟Matlab引擎的模塊11，以及并列聯(lián)接的數(shù)據(jù)緩沖區(qū)13、用于實(shí)現(xiàn)木材結(jié)構(gòu)參數(shù)數(shù)據(jù)格式轉(zhuǎn)換的模塊14、用于神經(jīng)元網(wǎng)絡(luò)模型文件的調(diào)用模塊12。本實(shí)用新型采用專門的數(shù)學(xué)運(yùn)算軟件Matlab作為其后臺運(yùn)算和分析的工具，在該單元要建立起前端和后臺Matlab的通信，即Matlab接口引擎。具體說來，就是將輸入的參數(shù)信息通過Matlab與界面開發(fā)程序的接口送入到Matlab工作空間，參與計(jì)算，運(yùn)算結(jié)束后又能把運(yùn)算結(jié)果以合適的數(shù)據(jù)格式返回，同時，提供一系列神經(jīng)元網(wǎng)絡(luò)性能和訓(xùn)練結(jié)果分析的圖表。其工作流程如圖4所示。
III.神經(jīng)元網(wǎng)絡(luò)非線性逼進(jìn)單元3，其中至少包括如下兩個單元a.神經(jīng)元網(wǎng)絡(luò)的第一層單元15，它包括標(biāo)準(zhǔn)化處理器17，神經(jīng)元網(wǎng)絡(luò)隱含層權(quán)矩陣模塊18，歐氏距離計(jì)算模塊19，自學(xué)習(xí)模型的修正模塊20，點(diǎn)乘模塊21，高斯函數(shù)發(fā)生器22；所述標(biāo)準(zhǔn)化處理器17和神經(jīng)元網(wǎng)絡(luò)隱含層權(quán)矩陣模塊18分別與歐氏距離計(jì)算模塊19聯(lián)接，然后歐氏距離計(jì)算模塊19和自學(xué)習(xí)模型的修正模塊20分別與點(diǎn)乘模塊21聯(lián)接，最后點(diǎn)乘模塊21與高斯函數(shù)發(fā)生器22聯(lián)接。
b.神經(jīng)元網(wǎng)絡(luò)的第二層單元16，它又包括并依次聯(lián)接神經(jīng)元網(wǎng)絡(luò)線性層權(quán)矩陣模塊23，正規(guī)化處理器24，產(chǎn)生權(quán)值的線性函數(shù)發(fā)生器25。
在進(jìn)入真正的運(yùn)算網(wǎng)絡(luò)之前，輸入樣本要進(jìn)入標(biāo)準(zhǔn)化處理器，進(jìn)行事先、事后的標(biāo)準(zhǔn)化處理，處理方式如圖5所示，對于輸入樣本數(shù)據(jù)0-104的值域區(qū)間進(jìn)行標(biāo)準(zhǔn)化處理。通過標(biāo)準(zhǔn)化處理后將輸入向量和目標(biāo)輸出向量量化為零均值和偏差為1的標(biāo)準(zhǔn)向量。下面是通過零均值和偏差型函數(shù)的實(shí)現(xiàn)過程。
＝prestd(p，t)參數(shù)意義p 網(wǎng)絡(luò)輸入向量t 目標(biāo)輸出向量pn 量化后的輸入向量meanp 輸入向量的均值stdp輸入向量的偏差tn 量化后的目標(biāo)輸出向量meant 目標(biāo)輸出的均值stdt目標(biāo)輸出的偏差具體的標(biāo)準(zhǔn)化過程如圖6所示。下面給出標(biāo)準(zhǔn)化處理器的運(yùn)算環(huán)節(jié)
mean(P′)=mean(p11p21ΛpR1p12p22ΛpR2MMMp1Qp2QΛpRQ)]]>=Σi=1i=Qp1iQΣi=1i=Qp2iQΛΣi=1i=QpRiQ1×R]]>std(P′)=std(p11p21ΛpR1p12p22ΛpR2MMMp1Qp2QΛpRQ)]]>=(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)121×R]]>Pn＝(P-meanp×oneQ)·/(stdp×oneQ)=(p11p12Λp1Qp21p22Λp2QMMMpR1pR2ΛpRQ-Σi=1i=Qp1iQΣi=1i=Qp2iQMΣi=1i=QpRiQR×1×11Λ11×Q)·/((1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12M(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12R×111Λ11×Q)]]>
=p11-Σi=1i=Qp1iQp12-Σi=1i=Qp1iQΛp1Q-Σi=1i=Qp1iQp21-Σi=1i=Qp2iQp22-Σi=1i=Qp2iQΛp2Q-Σi=1i=Qp2iQMMMpR1-Σi=1i=QpRiQpR2-Σi=1i=QpRiQΛpRQ-Σi=1i=QpRiQ·/(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12Λ(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12MMM(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12Λ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12]]>p11-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12p12-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12Λp1Q-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12p21-Σi=1i=Qp2iQ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12p22-Σi=1i=Qp2iQ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λp2Q-Σi=1i=Qp2iQ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12MMMpR1-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12pR2-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12ΛpRQ-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12]]>
mean(T′)=mean(t11t21ΛtS1t12t22ΛtS2MMMt1Qt2QΛtSQ)]]>=Σi=1i=Qt1iQΣi=1i=Qt2iQΛΣi=1i=QtSiQ1×S]]>std(T′)=std(t11t21ΛtS1t21t22ΛtS2MMMt1Qt2QΛtSQ)]]>(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)121×S]]>Tn＝(T-meant×oneQ)·/(stdt×oneQ)=(p11p12Λp1Qp21p22Λp2QMMMpS1pS2ΛpSQ-Σi=1i=Qt1iQΣi=1i=Qt2iQMΣi=1i=QtSiQS×1×11Λ11×Q)·/((1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12M(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12S×111Λ11×Q)]]>
=t12-Σi=1i=Qt1iQt12-Σi=1i=Qt1iQΛt1Q-Σi=1i=Qt1iQt2i-Σi=1i=Qt2iQt22-Σi=1i=Qt2iQΛt2Q-Σi=1i=Qt2iQMMMtS1-Σi=1i=QtSiQtS2-Σi=1i=QtSiQΛtSQ-Σi=1i=QtSiQ·/(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12Λ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12MMM(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12Λ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12]]>t11-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12t12-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12Λt1Q-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12t21-Σi=1i=Qt2iQ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12t22-Σi=1i=Qt2iQ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λt2Q-Σi=1i=Qt2iQ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12MMMtR1-Σi=1i=QtRiQ(1Q-1Σi=1Q(tRi-1QΣi=1QtRi)2)12tR2-Σi=1i=QtRiQ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12ΛpRQ-Σi=1i=QpRiQ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12]]>經(jīng)過標(biāo)準(zhǔn)化處理器后，進(jìn)入正式的神經(jīng)元網(wǎng)絡(luò)運(yùn)算模塊，如圖7所示該神經(jīng)元網(wǎng)絡(luò)模塊中有Q個節(jié)點(diǎn)，R維輸入，S維輸出。神經(jīng)元網(wǎng)絡(luò)輸入向量為P，神經(jīng)元網(wǎng)絡(luò)隱含層的權(quán)值設(shè)為P’，該層每個神經(jīng)元節(jié)點(diǎn)的帶權(quán)輸入，即歐幾里德距離‖dist‖?！琩ist‖是歐幾里德距離權(quán)函數(shù)，權(quán)函數(shù)把權(quán)重加到輸入矩陣上以得到帶權(quán)輸入矩陣。對于dist(W，P)，W為S×R權(quán)矩陣，P為Q維輸入列向量矩陣，dist(W，P)返回S×Q維向量距離矩陣。
在該模型中將權(quán)矩陣W定義為P′，則
dist(PQ×R′,PR×Q)]]>=dist(p11p12Kp1Rp21p22Kp2RMMMpQ1pQ2KpQR,p11p21KpQ1p12p22KpQ2MMMp1Rp2RKpQR)]]>=0d12d13Λd1Qd210d23Λd2Qd31d320Λd3QMMMMdQ1dQ2dQ3Λ0Q×Q]]>式中dij表示矩陣P′第i個行向量與矩陣P第j個列向量間的距離，因此對角線上的元素均為0。進(jìn)而將dist(P′，P)與b1作點(diǎn)乘，即dist(P′,P)·*b1=0d12d13Λd1Qd210d23Λd2Qd31d320Λd3QMMMMdQ1dQ2dQ3Λ0·*b11b12Λb1Qb21b22Λb2QMMMbQ1bQ2ΛbQQ]]>
=0b12*d12b12*d13Λb1Q*d1Qb21*d210b23*d23Λb2Q*d2Qb31*d31b32*d320Λb3Q*d3QMMMMbQ1*dQ1bQ2*dQ2bQ3*dQ3Λ0]]>在網(wǎng)絡(luò)隱含層每個神經(jīng)元網(wǎng)絡(luò)輸入是其帶權(quán)輸入與其偏值之積，如上式所示，而每個神經(jīng)元的輸出是網(wǎng)絡(luò)輸入的徑向基函數(shù)。
利用高斯核函數(shù)(Gaussian kernel function)作為基函數(shù)的形式，如下式所示uj=exp[-(X-Cj)T(X-Cj)2δj2],j=1,2,K,Nh]]>其中，uj是第j個隱層節(jié)點(diǎn)的輸出，X＝(x1，x2，K，xn)T是輸入樣本，Cj是高斯函數(shù)的中心值，δj是標(biāo)準(zhǔn)化常數(shù)，Nh是隱層節(jié)點(diǎn)數(shù)。其隱含層節(jié)點(diǎn)中的作用函數(shù)(核函數(shù))對輸入信號將在局部產(chǎn)生響應(yīng)，也就是說，當(dāng)輸入信號靠近核函數(shù)的中央范圍時，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出，由此，這種神經(jīng)元網(wǎng)絡(luò)具有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡(luò)也成為局部感知場網(wǎng)絡(luò)。由上式可知，節(jié)點(diǎn)的輸出范圍在0和1之間，如果一個神經(jīng)元的權(quán)向量與其輸入向量相等(轉(zhuǎn)置)，其帶權(quán)輸入將為0，當(dāng)其網(wǎng)絡(luò)輸入為0，則輸出為1，且輸入樣本愈靠近節(jié)點(diǎn)的中心，輸出值愈大。
采用高斯基函數(shù)，具備如下優(yōu)點(diǎn)1、表示形式簡單，即使對于多變量輸入也不增加太多的復(fù)雜性；2、徑向?qū)ΨQ；3、光滑性好，任意階導(dǎo)數(shù)存在；4、由于該基函數(shù)表示簡單且解析性好，因而便于進(jìn)行理論分析。
經(jīng)過基函數(shù)發(fā)生器，神經(jīng)元節(jié)點(diǎn)輸出為a1，開始進(jìn)入網(wǎng)絡(luò)線性層。在網(wǎng)絡(luò)線性層中首先要經(jīng)過一個正規(guī)化處理器，然后再進(jìn)入普通的線性神經(jīng)元。在正規(guī)化處理器中，采用normprod函數(shù)來計(jì)算網(wǎng)絡(luò)的輸出向量n2。normprod是一個權(quán)函數(shù)，權(quán)函數(shù)將權(quán)重加到輸入矩陣上得到帶權(quán)矩陣。對于normprod(W，P)，W為S×R權(quán)矩陣，P為Q維輸入列向量矩陣，normprod(W，P)返回S×Q維正規(guī)化點(diǎn)積。
在該網(wǎng)絡(luò)中，將網(wǎng)絡(luò)線性層的權(quán)矩陣設(shè)為網(wǎng)絡(luò)的目標(biāo)輸出TS×Q，即normprod(T，a1)=normorid(t11t12Λt1Qt21t22Λt2QMMMtS1tS2ΛtSQ,a11a12Λa1Qa21a22Λa2QMMMaQ1aQ2ΛaQQ)]]>=Σj=1j=Qt1j*aj1Σj=1j=Qaj1Σj=1j=Qt1j*aj2Σj=1j=Qaj2ΛΣj=1j=Qt1j*ajQΣj=1j=QajQΣj=1j=Qt2j*aj1Σj=1j=Qaj1Σj=1j=Qt2j*aj2Σj=1j=Qaj2ΛΣj=1j=Qt2j*ajQΣj=1j=QajQMMMΣj=1j=QtSj*aj1Σj=1j=Qaj1Σj=1j=QtSj*aj2Σj=1j=Qaj2ΛΣj=1j=QtSj*ajQΣj=1j=QajQ]]>本實(shí)用新型所采用的神經(jīng)元網(wǎng)絡(luò)是一個逼近器，只要隱單元足夠多，它就可以逼近任意M元連續(xù)函數(shù)且對任一未知的非線性函數(shù)，總存在一組權(quán)值使網(wǎng)絡(luò)對該函數(shù)的逼近效果最好。網(wǎng)絡(luò)第二層也有與網(wǎng)絡(luò)輸入和目標(biāo)向量相同的神經(jīng)元節(jié)點(diǎn)數(shù)，這里將第二層的權(quán)值矩陣設(shè)為目標(biāo)向量矩陣T。
IV.輸出模塊4，其中包括材性量化指標(biāo)的輸出模塊26和相關(guān)輸出曲線的輸出模塊27。
當(dāng)網(wǎng)絡(luò)訓(xùn)練結(jié)束之后，用sim函數(shù)來仿真神經(jīng)元網(wǎng)絡(luò)的輸出，從而與目標(biāo)輸出進(jìn)行比較，來檢驗(yàn)神經(jīng)元網(wǎng)絡(luò)的性能。函數(shù)postreg利用了線形回歸的方法分析了神經(jīng)元網(wǎng)絡(luò)輸出和目標(biāo)輸出的關(guān)系，即神經(jīng)元網(wǎng)絡(luò)輸出變化相對于目標(biāo)輸出變化的變化率，從而評估了神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練結(jié)果。
a＝sim(net，p)[m，b，r]＝postreg(a，t)函數(shù)postreg返回了3個值，m和b分別表示最優(yōu)回歸直線的斜率和y軸截距，當(dāng)m等于1，b等于0的時候，神經(jīng)元網(wǎng)絡(luò)輸出和目標(biāo)輸出完全相同，此時的神經(jīng)元網(wǎng)絡(luò)具有最優(yōu)的性能。r表示網(wǎng)絡(luò)輸出與目標(biāo)輸出的相關(guān)系數(shù)，它越接近于1，表示網(wǎng)絡(luò)輸出與目標(biāo)輸出越接近，神經(jīng)元網(wǎng)絡(luò)性能越好。函數(shù)postreg顯示的圖形中，橫坐標(biāo)為目標(biāo)輸出，縱坐標(biāo)為網(wǎng)絡(luò)輸出，“o”表示數(shù)據(jù)，理想回歸直線(神經(jīng)元網(wǎng)絡(luò)輸出等于目標(biāo)輸出時的直線)由實(shí)線表示，最優(yōu)回歸直線由虛線表示。在神經(jīng)元網(wǎng)絡(luò)輸出模塊中，分別給出各個輸出材性指標(biāo)的用來衡量神經(jīng)元網(wǎng)絡(luò)性能線性回歸圖形，輸出圖形如圖8所示，從仿真圖中可以看出其精度達(dá)到了98.999％。
以下列表是采用本實(shí)用新型分析儀器對杉木和72楊的分析結(jié)果。
杉木微觀解剖結(jié)構(gòu)數(shù)據(jù)(輸入I)

72楊微觀解剖結(jié)構(gòu)數(shù)據(jù)(輸入II)

杉木、72楊化學(xué)組成表(輸入)

杉木微觀解剖所確定的物理力學(xué)特性輸出表

72楊微觀解剖所確定的物理力學(xué)特性輸出表

杉木化學(xué)組成所確定的物理力學(xué)特性輸出表

72楊化學(xué)組成所確定的物理力學(xué)特性輸出表
權(quán)利要求1.一種基于木材結(jié)構(gòu)參數(shù)確定木材物理、力學(xué)特性的分析儀器，它包括輸入鍵盤，計(jì)算機(jī)主機(jī)，顯示器或/和打印輸出裝置，其特征是，所述計(jì)算機(jī)主機(jī)內(nèi)包括并依次連接1)輸入單元，其中依次包括用于接收木材結(jié)構(gòu)參數(shù)的輸入模塊，參數(shù)辨識、校對及控制器，加法器；2)接口引擎單元，其中包括用于開啟Matlab引擎的模塊，以及并列聯(lián)接的數(shù)據(jù)緩沖區(qū)、用于實(shí)現(xiàn)木材結(jié)構(gòu)參數(shù)數(shù)據(jù)格式轉(zhuǎn)換的模塊、用于神經(jīng)元網(wǎng)絡(luò)模型文件的調(diào)用模塊；3)神經(jīng)元網(wǎng)絡(luò)非線性逼進(jìn)單元，其中依次包括用于確定木材結(jié)構(gòu)參數(shù)影響木材物理力學(xué)特性的權(quán)值的權(quán)值函數(shù)的計(jì)算模塊，用于通過自學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)層權(quán)值修正并產(chǎn)生權(quán)值的線性函數(shù)的模塊；4)輸出單元，其中包括材性量化指標(biāo)的輸出模塊和相關(guān)輸出曲線的輸出模塊。
2.根據(jù)權(quán)利要求1所述的分析儀器，其特征是，所述用于接收木材結(jié)構(gòu)參數(shù)的輸入模塊包括下列參數(shù)輸入模塊中的一種或其組合a.基于對木材整體模型進(jìn)行宏觀分析的木材解剖微觀參數(shù)的輸入模塊；b.分開年齡段進(jìn)行木材材性指標(biāo)分析的參數(shù)輸入模塊；c.重要解剖參數(shù)的輸入模塊。
3.根據(jù)權(quán)利要求1所述的分析儀器，其特征是，所述3)神經(jīng)元網(wǎng)絡(luò)非線性逼進(jìn)單元中至少包括如下兩個單元a.神經(jīng)元網(wǎng)絡(luò)的第一層單元，它包括標(biāo)準(zhǔn)化處理器，神經(jīng)元網(wǎng)絡(luò)隱含層權(quán)矩陣模塊，歐氏距離計(jì)算模塊，自學(xué)習(xí)模型的修正模塊，點(diǎn)乘模塊，高斯函數(shù)發(fā)生器；所述標(biāo)準(zhǔn)化處理器和神經(jīng)元網(wǎng)絡(luò)隱含層權(quán)矩陣模塊分別與歐氏距離計(jì)算模塊聯(lián)接，然后歐氏距離計(jì)算模塊和自學(xué)習(xí)模型的修正模塊分別與點(diǎn)乘模塊聯(lián)接，最后點(diǎn)乘模塊與高斯函數(shù)發(fā)生器聯(lián)接；b.神經(jīng)元網(wǎng)絡(luò)的第二層單元，它包括并依次聯(lián)接神經(jīng)元網(wǎng)絡(luò)線性層權(quán)矩陣模塊，正規(guī)化處理器，產(chǎn)生權(quán)值的線性函數(shù)發(fā)生器。
4.根據(jù)權(quán)利要求2所述的分析儀器，其特征是，所述a.基于對木材整體模型進(jìn)行宏觀分析的木材解剖微觀參數(shù)的輸入模塊中包括下列參數(shù)微纖絲角、胞壁率、射線比量、管胞比量、早材管胞長度、晚材管胞長度、早材管胞寬度、晚材管胞寬度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直徑、晚材管胞T-直徑、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔徑比、晚材管胞腔徑比。
專利摘要本實(shí)用新型提出一種基于木材結(jié)構(gòu)參數(shù)確定木材物理、力學(xué)特性的分析儀器。該儀器包括輸入鍵盤，計(jì)算機(jī)主機(jī)，顯示器或/和打印輸出裝置，所述計(jì)算機(jī)主機(jī)內(nèi)包括1)輸入單元，包括用于接收木材結(jié)構(gòu)參數(shù)的輸入模塊，參數(shù)辨識、校對及控制器，加法器；2)接口引擎單元，包括開啟Matlab引擎的模塊，數(shù)據(jù)緩沖區(qū)，實(shí)現(xiàn)木材結(jié)構(gòu)參數(shù)數(shù)據(jù)格式轉(zhuǎn)換的模塊，神經(jīng)元網(wǎng)絡(luò)模型文件的調(diào)用模塊；3)神經(jīng)元網(wǎng)絡(luò)非線性逼進(jìn)單元，包括用于確定木材結(jié)構(gòu)參數(shù)影響木材物理力學(xué)特性的權(quán)值函數(shù)的計(jì)算模塊，用于通過自學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)層權(quán)值修正模塊并產(chǎn)生權(quán)值的線性函數(shù)的模塊；4)輸出單元，包括材性量化指標(biāo)的輸出模塊和相關(guān)輸出曲線的輸出模塊。
文檔編號G01N33/46GK2743834SQ200420096149
公開日2005年11月30日 申請日期2004年9月27日 優(yōu)先權(quán)日2004年9月27日
發(fā)明者江澤慧, 周玉成, 姜笑梅, 井元傳, 呂建雄, 趙亮, 費(fèi)本華, 秦特夫, 黃洛華, 任海青, 趙有科, 殷亞方, 劉君良, 余雁 申請人:周玉成