国产自产21区,亚洲97,免费毛片网,国产啪视频,青青青国产在线观看,国产毛片一区二区三区精品

山東科威數(shù)控機(jī)床有限公司銑床官方網(wǎng)站今天是:2024-10-28切換城市[全國]-網(wǎng)站地圖
推薦產(chǎn)品 :
推薦新聞
技術(shù)文章當(dāng)前位置:技術(shù)文章>

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

時間:2023-07-23    作者: 管理員

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??硕?Cown)在(Cown et al.1991)給出了木材的螺旋紋理與木材的力學(xué)強度的關(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)強度的關(guān)系不能反映其全部的特征。因為就其樹木與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,計算機(jī)主機(jī),顯示器或/和打印輸出裝置,所述計算機(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1、本實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、順紋抗壓強度、抗彎彈性模量、抗彎強度等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,在本實用新型中體現(xiàn)在權(quán)值函數(shù)中,也就是說,本實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,本實用新型可以更完全、更真實地表現(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),更加真實地、切合實際地描述了木材結(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)化處理器的運算模塊的示意圖;圖7是神經(jīng)元網(wǎng)絡(luò)的運算模塊的示意圖;圖8是神經(jīng)元網(wǎng)絡(luò)性能評估的線性回歸圖。
具體實施方式
在說明本實用新型的實施例之前,首先說明本實用新型的原理。
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)合附圖和實施例,進(jìn)一步說明本實用新型。
本實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、順紋抗壓強度、抗彎彈性模量、抗彎強度。
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)置由實驗統(tǒng)計數(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。本實用新型采用專門的數(shù)學(xué)運算軟件Matlab作為其后臺運算和分析的工具,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,參與計算,運算結(jié)束后又能把運算結(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,歐氏距離計算模塊19,自學(xué)習(xí)模型的修正模塊20,點乘模塊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分別與歐氏距離計算模塊19聯(lián)接,然后歐氏距離計算模塊19和自學(xué)習(xí)模型的修正模塊20分別與點乘模塊21聯(lián)接,最后點乘模塊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,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)點數(shù)。其隱含層節(jié)點中的作用函數(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)點的中心,輸出值愈大。
采用高斯基函數(shù),具備如下優(yōu)點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,計算機(jī)主機(jī),顯示器或/和打印輸出裝置,其特征是,所述計算機(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,歐氏距離計算模塊,自學(xué)習(xí)模型的修正模塊,點乘模塊,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算模塊聯(lián)接,然后歐氏距離計算模塊和自學(xué)習(xí)模型的修正模塊分別與點乘模塊聯(lián)接,最后點乘模塊與高斯函數(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,計算機(jī)主機(jī),顯示器或/和打印輸出裝置,所述計算機(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

  • 衛(wèi)星定位方法、裝置及系統(tǒng)的制作方法【專利摘要】本發(fā)明公開了一種衛(wèi)星定位方法、裝置及系統(tǒng),其中,該方法包括:終端將自身的位置相關(guān)信息發(fā)送給網(wǎng)絡(luò)側(cè)的衛(wèi)星數(shù)據(jù)共享中心,其中,該衛(wèi)星數(shù)據(jù)共享中心用于共享接收到的衛(wèi)星數(shù)據(jù);終端接收來自衛(wèi)星數(shù)據(jù)共享中心
  • 氣密玻璃密封傳感器的制造方法【專利摘要】本文所公開的技術(shù)包括用于包含有車用流體的流體壓力測量的系統(tǒng)及方法。壓力傳感器包括用于壓力測量的微機(jī)電系統(tǒng)(MEMS)傳感器。MEMS傳感器被附連到玻璃管,其被壓縮地密封到可附連到包含有流體的箱的壓力端
  • 一種低聚肽含量快速檢測的方法【專利摘要】本發(fā)明涉及低聚肽技術(shù)加工領(lǐng)域,具體的是一種低聚肽含量快速檢測的方法,其特征是利用三氯乙酸對不同分子量大小的多肽鏈的沉淀效果的差異,對低聚肽生產(chǎn)過程中肽的水解程度及低聚肽含量進(jìn)行快速檢測,從而可以有效的
  • 專利名稱:Tcas系統(tǒng)接收信號野值剔除方法技術(shù)領(lǐng)域:本發(fā)明涉及新一代機(jī)載TCAS防撞系統(tǒng)接收信號的野值剔除方法。背景技術(shù):飛機(jī)上的防撞系統(tǒng),美國航空體系稱為空中交通預(yù)警和防撞系統(tǒng)(以下簡稱 TCAS),歐洲航空體系稱為機(jī)載防撞系統(tǒng),兩者的含
  • 一種鐵水預(yù)處理用自動測溫取樣裝置制造方法【專利摘要】提供一種鐵水預(yù)處理用自動測溫取樣裝置,包括立柱、測溫槍、取樣槍、測溫槍及取樣槍升降小車、升降導(dǎo)軌、導(dǎo)向輪、減速電機(jī)、取樣槍主動鏈輪、測溫槍主動鏈輪、測溫槍從動鏈輪、取樣槍從動鏈輪、測溫槍鏈
  • 用于自動進(jìn)樣器取液操作的自動液面追隨裝置制造方法【專利摘要】本實用新型為一種用于自動進(jìn)樣器取液操作的自動液面追隨裝置,包括:自動進(jìn)樣器底盤;第一和第二液體容器,放置于自動進(jìn)樣器底盤上;自動進(jìn)樣器XY臂和自動進(jìn)樣器Z臂架設(shè)于自動進(jìn)樣器底盤上;
山東科威數(shù)控機(jī)床有限公司
全國服務(wù)熱線:13062023238
電話:13062023238
地址:滕州市龍泉工業(yè)園68號
關(guān)鍵詞:銑床數(shù)控銑床,龍門銑床
公司二維碼
Copyright 2010-2024 http://www.shangjia178.com 版權(quán)所有 All rights reserved 魯ICP備19044495號-12
主站蜘蛛池模板: 日韩人妖| 一个综合色| 精品国产无限资源免费观看| 亚洲欧美在线观看| 国产性夜夜性夜夜爽91| 中文字幕伦理聚合第一页| 色猫av| 黄色免费三级| 久久精品日本免费线| 尹人香蕉99久久综合网站| 亚洲电影网址| 日韩欧美视频在线| 欧美日韩综合网在线观看| 久久国产乱子伦精品免费午夜| 国产成人综合久久亚洲精品| 4444狠狠| 中文字幕一区二区在线播放 | 成人伊人青草久久综合网破解版 | 国产精品免费观看视频播放| 亚洲精品免费在线| 日韩精品一区二区三区国语自制 | 免费视频国产| 亚洲最大中文字幕| 亚洲国产精品福利片在线观看| 日韩大片免费在线观看| 人人草视频在线| 国产成人精品视频播放| www.久久精品| 99热这里有精品| 66av视频| 亚洲a影院| 黄色三级视频在线观看| 伊人猫咪| 在线视频综合网| 中文字幕一区二区三区在线观看| 真实国产乱人视频| 最新更新国内自拍视频| 成年人视频在线免费看| 伊人不卡久久大香线蕉综合影院| 三级黄色片免费观看| 精品久久久久中文字幕日本|