GA-BP網(wǎng)絡(luò)在木材干燥過(guò)程建模中的應(yīng)用

木材干燥是一個(gè)復(fù)雜的非線性系統(tǒng)，由于木材結(jié)構(gòu)復(fù)雜且具有多樣性和變異性，很難建立一個(gè)理想的符合木材干燥過(guò)程的數(shù)學(xué)模型。利用遺傳算法的全局尋優(yōu)能力優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)連接權(quán)值系數(shù)，分別用BP 和GA-BP 兩種算法建立了木材干燥基準(zhǔn)模型。對(duì)比結(jié)果表明：GA-BP 算法建立木材干燥基準(zhǔn)模型提高了期望誤差精度和收斂速度，避免了BP 算法陷入局部極小值，預(yù)測(cè)平均誤差為1.0413%，具有較好的預(yù)測(cè)精度。
木材干燥是一個(gè)復(fù)雜的強(qiáng)耦合非線性動(dòng)力系統(tǒng),而且在干燥過(guò)程中存在著外界的干擾和
模型的不確定性，在控制精度和性能要求較高的場(chǎng)合，必須考慮控制對(duì)象參數(shù)乃至結(jié)構(gòu)的變化、非線性的影響、運(yùn)行環(huán)境的改變以及環(huán)境干擾等時(shí)變的不確定的因素，才能得到滿意的控制[1]。要實(shí)現(xiàn)這一點(diǎn)，首先要建立能夠準(zhǔn)確完整地描述木材干燥規(guī)律的控制模型，為干燥的過(guò)程控制提供可靠的信息。進(jìn)而對(duì)其控制策略進(jìn)行研究，選擇合適的控制方法，使木材干燥控制系統(tǒng)達(dá)到理想的控制效果。在一般情況下,最好的方法是建立常規(guī)的數(shù)學(xué)公式，但是目前為止,要獲得精確的木材干燥過(guò)程模型的數(shù)學(xué)公式還存在較大的難度。
神經(jīng)網(wǎng)絡(luò)是近年來(lái)人工智能研究的一個(gè)前沿領(lǐng)域，神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為木材干燥過(guò)程建模
提供了新的方法，并取得了一定的成果：文獻(xiàn)[1]建立了木材干燥過(guò)程的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)模型；文獻(xiàn)[3]建立了木材干燥過(guò)程的時(shí)延神經(jīng)網(wǎng)絡(luò)模型。但是神經(jīng)網(wǎng)絡(luò)也存在一些缺陷，如訓(xùn)練速度慢，容易陷入局部極小值和全局搜索能力弱等，所以神經(jīng)網(wǎng)絡(luò)研究的難點(diǎn)之一便是如何得到學(xué)習(xí)效率高和穩(wěn)定性能好的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)。遺傳算法(Genetic Algorithm，簡(jiǎn)稱GA)是根據(jù)達(dá)爾文的自然界生物進(jìn)化思想，將其靈活運(yùn)用到優(yōu)化運(yùn)算領(lǐng)域而產(chǎn)生的一種尋優(yōu)算法。本文利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)和閾值參數(shù)，獲得全局最優(yōu)解，進(jìn)而更有效的建立木材干燥過(guò)程的神經(jīng)網(wǎng)絡(luò)模型。