基于卷积神经网络的樟子松木材密度近红外预测模型优化

打开文本图片集

摘要：近红外光谱分析技术在木材密度的预测方面具有独特的优势，是一种方便且快速的无损检测技术。卷积神经网络作为经典的深度学习模型之一，能够利用卷积和池化操作提取数据中的特征映射进行学习，与传统的学习模型相比具有更强的模型表达能力。为此将卷积神经网络用于近红外光谱预测木材的气干密度，以樟子松为研究对象，获取样本木材横切面的近红外光谱数据，采用杠杆值与学生化残差t检验（HLSR）法剔除奇异样本，采用SGS+MC+Auto（Savitzky-Golay smoothing+ mean centering+ autoscaling）对光谱数据进行预处理，通过竞争性自适应重加权算法（competitive adaptive reweighted sampling method， CARS）对特征波长进行提取，构建卷积神经网络模型，预测樟子松的气干密度；并与偏最小二乘回归（partial least squares regression ， PLSR）、支持向量机（support vector regression ， SVR）和BPNN（backpropagation network）神经网络的预测结果进行对比。（剩余18880字）