姜 濱， 孫麗萍， 曹 軍， 季仲致

(東北林業(yè)大學(xué)機(jī)電工程學(xué)院，黑龍江哈爾濱 150040)

提高木材干燥過(guò)程的控制水平，實(shí)現(xiàn)真正意義上的全自動(dòng)控制是木材干燥行業(yè)迫切關(guān)心的問題[1]。根據(jù)其物理化學(xué)特性，木材干燥過(guò)程有其特有的復(fù)雜性，是一個(gè)強(qiáng)耦合非線性動(dòng)力系統(tǒng)，因而很難建立理想的木材干燥模型[2]。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)，通常簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)，是一種在生物神經(jīng)網(wǎng)絡(luò)的啟示下建立的數(shù)據(jù)處理模型[3]。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元相互連接進(jìn)行計(jì)算，根據(jù)外界的信息改變自身的結(jié)構(gòu)，主要通過(guò)調(diào)整神經(jīng)元之間的權(quán)值來(lái)對(duì)輸入的數(shù)據(jù)進(jìn)行建模，最終具備解決實(shí)際問題的能力。神經(jīng)網(wǎng)絡(luò)分為前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)2種，Elman神經(jīng)網(wǎng)絡(luò)屬于反饋神經(jīng)網(wǎng)絡(luò)，具有比前向神經(jīng)網(wǎng)絡(luò)更強(qiáng)的計(jì)算能力，其突出的優(yōu)點(diǎn)是具有很強(qiáng)的聯(lián)想記憶和優(yōu)化計(jì)算功能[4]。

針對(duì)木材干燥過(guò)程的特點(diǎn)，該研究提出基于Elman神經(jīng)網(wǎng)絡(luò)理論建立的木材干燥過(guò)程模型。該模型通過(guò)木材干燥過(guò)程材堆的溫度、濕度以及木材含水率數(shù)值建立模型，并通過(guò)實(shí)際數(shù)據(jù)對(duì)模型的準(zhǔn)確度進(jìn)行驗(yàn)證。仿真結(jié)果表明Elman神經(jīng)網(wǎng)絡(luò)利用少量數(shù)據(jù)就可以建立模型，并且模型預(yù)測(cè)精度高，對(duì)數(shù)據(jù)的聯(lián)想記憶和優(yōu)化能力強(qiáng)，實(shí)現(xiàn)了木材干燥過(guò)程的材堆溫度、濕度以及木材含水率的準(zhǔn)確預(yù)測(cè)。

1 Elman神經(jīng)網(wǎng)絡(luò)

1.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)反饋型神經(jīng)網(wǎng)絡(luò)是一種從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)比前饋神經(jīng)網(wǎng)絡(luò)要復(fù)雜得多，Elman神經(jīng)網(wǎng)絡(luò)是典型的反饋型神經(jīng)網(wǎng)絡(luò)[5]?；镜腅lman神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、連接層和輸出層組成[6]。與BP網(wǎng)絡(luò)相比，在結(jié)構(gòu)上多了一個(gè)連接層，用于構(gòu)成局部反饋。連接層的傳輸函數(shù)為線性函數(shù)，但是多了一個(gè)延遲單元，因此連接層可以記憶過(guò)去的狀態(tài)，并在下一時(shí)刻與網(wǎng)絡(luò)的輸入一起作為隱含層的輸入，使網(wǎng)絡(luò)具有動(dòng)態(tài)記憶功能，非常適合時(shí)間序列預(yù)測(cè)問題。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在Elman網(wǎng)絡(luò)中，輸出層和連接層的傳遞函數(shù)為線性函數(shù)，通常使用MATLAB中的Purelin函數(shù)，隱含層的傳遞函數(shù)則為某種非線性函數(shù)，如Sigmoid函數(shù)[7]。在連續(xù)有限的時(shí)間內(nèi)，這樣的傳輸函數(shù)在兩層神經(jīng)網(wǎng)絡(luò)的特殊組合可以以任意精度逼近任意函數(shù)，關(guān)于這一點(diǎn)只需要隱含層的神經(jīng)元數(shù)目足夠多即可實(shí)現(xiàn)，所逼近函數(shù)的復(fù)雜性越高，所需的隱含層神經(jīng)元數(shù)越多。值得注意的是，Elman網(wǎng)絡(luò)不同于通常的兩層網(wǎng)絡(luò)，其第一網(wǎng)絡(luò)層有一個(gè)反饋節(jié)點(diǎn)，該節(jié)點(diǎn)的延遲量存儲(chǔ)了前一時(shí)刻的值，從而應(yīng)用于當(dāng)前時(shí)刻的計(jì)算。所以即使是具有相同權(quán)值和閾值的Elman網(wǎng)絡(luò)，如果其反饋狀態(tài)不同，那么對(duì)于同樣的輸入向量，其同一時(shí)刻的輸出也可能不相同。

由于隱含層不但接收來(lái)自輸入層的數(shù)據(jù)，還要接收連接層中儲(chǔ)存的數(shù)據(jù)，因此對(duì)于相同的輸入數(shù)據(jù)，不同時(shí)刻產(chǎn)生的輸出也可能不同。輸入層數(shù)據(jù)反映了信號(hào)的空域信息，而連接層延遲則反映了信號(hào)的時(shí)域信息。因?yàn)镋lman網(wǎng)絡(luò)能夠存儲(chǔ)供將來(lái)時(shí)刻使用的信息，所以它既可以學(xué)習(xí)時(shí)域模式，也可以學(xué)習(xí)空域模式；它既可以訓(xùn)練后對(duì)模式產(chǎn)生響應(yīng)(模式的空間分類結(jié)果)，也可以產(chǎn)生模式輸出(模式的時(shí)域變化關(guān)系)，這是Elman神經(jīng)網(wǎng)絡(luò)可以用于時(shí)域和空域模式識(shí)別的原因。

1.2Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中，創(chuàng)建Elman神經(jīng)網(wǎng)絡(luò)的函數(shù)為newelm。以newelm定義的Elman網(wǎng)絡(luò)為例，其反向傳播訓(xùn)練算法的默認(rèn)函數(shù)為trainbfg，還可以用trainlm，但其處理速度太快，這在Elman網(wǎng)絡(luò)中是不必要的，效果也不一定好。默認(rèn)的權(quán)值和閾值的反向傳播學(xué)習(xí)函數(shù)為learngdm，默認(rèn)的誤差性能函數(shù)為mse。網(wǎng)絡(luò)建立后，每個(gè)網(wǎng)絡(luò)層的權(quán)值和閾值都以Nguyen-Widrow網(wǎng)絡(luò)層初始化方法進(jìn)行初始化，實(shí)現(xiàn)函數(shù)為initnw[8]。

Elman網(wǎng)絡(luò)的訓(xùn)練可采用train或adapt兩個(gè)函數(shù)中的任意一個(gè)。采用函數(shù)adapt時(shí)，迭代過(guò)程與采用函數(shù)train時(shí)基本一樣，只是權(quán)值的修正函數(shù)建議采用學(xué)習(xí)函數(shù)learngdm。當(dāng)采用函數(shù)train時(shí)，每一步迭代過(guò)程按以下步驟進(jìn)行：①在網(wǎng)絡(luò)輸入端先輸入所有的輸入序列，然后計(jì)算輸出結(jié)果，并與目標(biāo)序列進(jìn)行比較，從而產(chǎn)生一誤差序列。②在每一次迭代中，誤差被反向傳播，以確定每一個(gè)權(quán)值和閾值的誤差梯度，實(shí)際上梯度的計(jì)算是近似的，因?yàn)榻?jīng)由延遲反饋支路對(duì)權(quán)值和閾值誤差的貢獻(xiàn)是忽略了的。③該梯度用于對(duì)用戶選擇的反向傳播訓(xùn)練函數(shù)進(jìn)行的權(quán)值修正。建議采用訓(xùn)練函數(shù)traingdx。

2 木材干燥過(guò)程的Elman神經(jīng)網(wǎng)絡(luò)模型

在木材干燥過(guò)程中，最重要的3個(gè)參數(shù)是木材干燥窯內(nèi)的溫度、濕度以及木材含水率。木材干燥控制系統(tǒng)經(jīng)常會(huì)以這些參數(shù)作為干燥基準(zhǔn)，木材含水率更是對(duì)木材干燥的質(zhì)量起到?jīng)Q定性作用。木材含水率的變化主要受木材干燥窯內(nèi)的溫度和濕度影響，因此建立木材干燥過(guò)程模型，主要是指建立木材干燥窯內(nèi)溫度、濕度以及木材含水率之間的模型。筆者在研究人工神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，選用Elman神經(jīng)網(wǎng)絡(luò)建立木材干燥過(guò)程模型。

選擇柞木作為實(shí)驗(yàn)樹種，利用Elman神經(jīng)網(wǎng)絡(luò)方法建立柞木干燥過(guò)程的干燥窯內(nèi)溫度、濕度以及木材含水率之間的模型。柞木干燥實(shí)驗(yàn)中，干燥窯內(nèi)的溫度由溫度傳感器PT100測(cè)量獲得；干燥窯內(nèi)的濕度由干濕球法測(cè)量獲得；材堆的木材含水率由木材含水率檢測(cè)儀直接讀數(shù)獲得。通過(guò)相對(duì)誤差指標(biāo)來(lái)描述Elman神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。相對(duì)誤差的計(jì)算方法如式Ⅰ所示。

Ⅰ

相對(duì)誤差中的實(shí)際值是指柞木干燥過(guò)程中的窯內(nèi)溫度、濕度以及材堆的木材含水率，預(yù)測(cè)值是指Elman神經(jīng)網(wǎng)絡(luò)模型輸出的窯內(nèi)溫度、濕度以及材堆的木材含水率。

使用MATLAB R2010a仿真軟件作為仿真環(huán)境。Elman神經(jīng)網(wǎng)絡(luò)的建模和測(cè)試流程如圖2所示。首先，采集柞木干燥過(guò)程中的溫度、濕度以及木材含水率數(shù)據(jù)，并將采集的數(shù)據(jù)分組構(gòu)成樣本集。其次，將樣本集劃分成兩組樣本，其中一組為訓(xùn)練樣本，另一組為測(cè)試樣本。再次，利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)分析并建立木材干燥過(guò)程模型；最后，通過(guò)建立好的Elman神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證木材干燥過(guò)程的測(cè)試數(shù)據(jù)。

圖2 Elman神經(jīng)網(wǎng)絡(luò)的建模和測(cè)試流程

在該實(shí)驗(yàn)中，選用柞木干燥過(guò)程的10組數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練建模和測(cè)試數(shù)據(jù)。其中，每一組數(shù)據(jù)都是由干燥過(guò)程中同一時(shí)刻的干燥窯內(nèi)溫度、濕度以及材堆的木材含水率組成。該實(shí)驗(yàn)選用的柞木干燥過(guò)程中的10組數(shù)據(jù)如表1所示。

表1 木材干燥過(guò)程數(shù)據(jù)匯總

實(shí)驗(yàn)利用表1中的前9組木材干燥過(guò)程數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。其中，每3組數(shù)據(jù)分別作為輸入向量，第4組數(shù)據(jù)作為目標(biāo)向量，一共得到6組訓(xùn)練樣本。表1中的第10組數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本，用來(lái)測(cè)試模型的準(zhǔn)確性，驗(yàn)證Elman神經(jīng)網(wǎng)絡(luò)模型是否能夠預(yù)測(cè)得到準(zhǔn)確的木材干燥過(guò)程數(shù)據(jù)。訓(xùn)練樣本和測(cè)試樣本分組情況如表2所示。

表2 樣本組數(shù)分配

實(shí)驗(yàn)中，Elman神經(jīng)網(wǎng)絡(luò)模型在隱含層節(jié)點(diǎn)數(shù)為6時(shí)相對(duì)誤差最小，結(jié)果如表3所示。實(shí)驗(yàn)分別對(duì)木材干燥過(guò)程的3個(gè)重要參數(shù)：干燥窯內(nèi)溫度、濕度以及木材堆的含水率進(jìn)行結(jié)果對(duì)比分析。測(cè)試樣本的實(shí)際值如表1中的第10組數(shù)據(jù)所示：溫度值為43.300 ℃，濕度值為10.800%，木材含水率為34.100%。木材干燥過(guò)程的Elman神經(jīng)網(wǎng)絡(luò)模型輸出為：溫度值為43.142 ℃，濕度值為10.696%，木材含水率值為34.364%。

表3 Elman神經(jīng)網(wǎng)絡(luò)模型相對(duì)誤差

從表3可以看出，木材干燥過(guò)程的Elman神經(jīng)網(wǎng)絡(luò)模型溫度輸出相對(duì)誤差為0.36%，濕度輸出相對(duì)誤差為0.96%，木材含水率輸出相對(duì)誤差為0.77%。由此可見，木材干燥過(guò)程3個(gè)重要參數(shù)輸出的相對(duì)誤差均小于1%，驗(yàn)證了Elman神經(jīng)網(wǎng)絡(luò)理論在木材干燥過(guò)程建模上的可行性和有效性。通過(guò)Elman神經(jīng)網(wǎng)絡(luò)建立的木材干燥過(guò)程模型準(zhǔn)確性高，可以通過(guò)模型得到目標(biāo)向量點(diǎn)的溫度、濕度以及木材含水率數(shù)值。

3 結(jié)論

在研究人工神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，該文提出一種Elman神經(jīng)網(wǎng)絡(luò)建模方法，并將Elman神經(jīng)網(wǎng)絡(luò)運(yùn)用在木材干燥過(guò)程建模上。Elman神經(jīng)網(wǎng)絡(luò)可以利用實(shí)際測(cè)量的木材干燥窯內(nèi)溫度、濕度以及木材含水率數(shù)值建立木材干燥過(guò)程模型。仿真實(shí)驗(yàn)的結(jié)果表明，該研究建立的Elman神經(jīng)網(wǎng)絡(luò)木材干燥過(guò)程模型具有可行性和有效性，符合實(shí)際木材干燥過(guò)程的工藝要求。木材干燥過(guò)程的Elman神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性高，對(duì)于提高木材干燥過(guò)程的控制水平具有研究?jī)r(jià)值。

[1] 杜國(guó)興,李大綱. 木材干燥技術(shù)[M].北京：中國(guó)林業(yè)出版社,2005：1-35.

[2] 高建民. 木材干燥學(xué)[M].北京：科學(xué)出版社,2007：1-25.

[3] PATRA J C.Nonlinear dynamic system identification using chebyshev functional link artificial neural networks[J]. IEEE Transactions on Systems,Man,and Cybernetics,2002,32(4):505-511.

[4] 劉永霞,馮仲科,杜鵬志. Elman動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)在樹木生長(zhǎng)預(yù)測(cè)中的應(yīng)用[J].北京林業(yè)大學(xué)學(xué)報(bào),2007,29(6):99-103.

[5] 魏海坤. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的理論與方法[M]. 北京:國(guó)防工業(yè)出版社,2005：5-36.

[6] 葛宏偉,梁艷春. 進(jìn)化Elman神經(jīng)網(wǎng)絡(luò)模型與非線性系統(tǒng)辨識(shí)[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版,2005,35(5):511-519.

[7] 梁新榮，劉智勇,毛宗源. 高速公路動(dòng)態(tài)交通流Elman神經(jīng)網(wǎng)絡(luò)模型[J]. 交通運(yùn)輸工程學(xué)報(bào),2006,6(3):92-96.

[8] 芮執(zhí)元,任麗娜,馮瑞成. 基于Elman神經(jīng)網(wǎng)絡(luò)的甘肅電網(wǎng)負(fù)荷預(yù)測(cè)模型[J]. 現(xiàn)代電力,2007,24(2):26-29.