zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-1547Research ArticleАННОТАЦИИ АНГЛОЯЗЫЧНЫХ СТАТЕЙABSTRACTS ENGLISH-LANGUAGE ARTICLESБИК-инверсионная модель прогнозирования плотности древесины лиственницы при разном содержании влаги на основе нейронной сети BP, оптимизированной с помощью нескольких алгоритмоNIR Inversion Model of Larch Wood Density at Different Moisture Contents Based on MVO-BPNNWangZ.WangZ.

Харбин, Хэйлунцзян

Harbin, Heilongjiang

ZhangZ.ZhangZ.

Харбин, Хэйлунцзян

Harbin, Heilongjiang

WilliamsR. A.WilliamsR. A.

Колумбус

Columbus

williams.1577@osu.eduLiY.LiY.

Харбин, Хэйлунцзян

Harbin, Heilongjiang

w2016210699@163.comШкола машиностроения и электротехники Северо-Восточного университета лесного хозяйстваSchool of Mechanical and Electrical Engineering, Northeast Forestry UniversityШкола окружающей среды и природных ресурсов, Университет штата ОгайоSchool of Environment and Natural Resources, Ohio State University202429042024912320320Copyright © Wang Z., Zhang Z., Williams R., Li Y., 20242024Wang Z., Zhang Z., Williams R., Li Y.Wang Z., Zhang Z., Williams R., Li Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/1547

При изменении содержания влаги базовая модель прогнозирования плотности древесины лиственницы по спектрам в ближнем ИК-диапазоне демонстрирует меньшую точность и надежность или даже неработоспособность. Для решения этой проблемы предложена модель прогнозирования на основе нейронной сети BP (MVO-BPNN), оптимизированная с помощью нескольких алгоритмов для повышения точности. Сравнивались результаты, полученные предварительной обработкой метода сглаживания Савицкого–Голея, удаления тренда и сглаживания 15-точечным скользящим средним. Метод частичных наименьших квадратов использован для выделения характерных полос спектров ближнего ИК-диапазона. Показано, что модель прогнозирования, основанная на MVOBPNN, предпочтительнее моделей обычной нейронной сети и нейронной сети с генетическим алгоритмом. С помощью модели MVO-BPNN можно эффективно прогнозировать плотность древесины с различным содержанием влаги.

Owing to variation of moisture content, the larch wood basic density near-infrared (NIR) prediction model shows reduced accuracy and robustness, or even model failure. To solve this technical problem, a multi-verse-algorithm-optimized BP neural network (MVO-BPNN) prediction model is proposed to improve the accuracy of the model. The preprocessing effects of the Savitzky–Golay smoothing, detrending, and 15point moving average smoothing method were compared. The synergy interval partial least squares was used to extract the feature bands of the NIR spectra. Results showed that the prediction model based on MVO-BPNN was better than those based on BPNN and the genetic algorithm-optimized BPNN. It indicated that the NIR model based on the MVO-BPNN could effectively predict the basic density of wood with different moisture contents.

ближний инфракрасный диапазонмногомерный оптимизаторнейронная сеть ВРвлажностьбазовая плотностьnear-infraredmulti-verse optimizerBP neural networkmoisture contentbasic densityThis research work has been supported by the Special Project for Double First-Class– Cultivation of Innovative Talents (Grant No. 000/41113102), and Applied Technology Research and Development Plan of Heilongjiang Province (Grant No. GA21C030).ReferencesY. Yang, S. J. Shen, Sci. Technol. Rev., 28, No. 14, 113–117 (2010).Y. Yang, S. J. Shen, Sci. Technol. Rev., 28, No. 14, 113–117 (2010).V. Nasir, S. Nourian, Z. Zhou, et al., Wood Sci. Technol., 53, No. 5, 1093–1109 (2019).V. Nasir, S. Nourian, Z. Zhou, et al., Wood Sci. Technol., 53, No. 5, 1093–1109 (2019).Y. Li, Y. X. Li, H. K. Xu, et al., J. Nanjing For. Univ., 40, No. 6, 148–156 (2016).Y. Li, Y. X. Li, H. K. Xu, et al., J. Nanjing For. Univ., 40, No. 6, 148–156 (2016).T. X. Ho, L. R. Schimleck, J. Dahlen, et al., Wood Sci. Technol., 56, No. 5, 1419–1437 (2022).T. X. Ho, L. R. Schimleck, J. Dahlen, et al., Wood Sci. Technol., 56, No. 5, 1419–1437 (2022).W. Qi, Z. Xiong, H. Tang, et al., J. Appl. Spectrosc., 88, No. 2, 461–467 (2021).W. Qi, Z. Xiong, H. Tang, et al., J. Appl. Spectrosc., 88, No. 2, 461–467 (2021).C. M. Popescu, P. Navi, M. I. P. Pena, et al., Spectrochim. Acta, A, 191, 405–412 (2018).C. M. Popescu, P. Navi, M. I. P. Pena, et al., Spectrochim. Acta, A, 191, 405–412 (2018).Z. Y. Wang, S. K. Yin, C. X. Li, et al., J. Northwest For. Univ., 34, No. 1, 229–236 (2019).Z. Y. Wang, S. K. Yin, C. X. Li, et al., J. Northwest For. Univ., 34, No. 1, 229–236 (2019).J. Wang, Y. J. Li, Y. C. Chen, et al., J. Nanjing For. Univ., Nat. Sci. Ed., 47, No. 3, 237–246 (2023).J. Wang, Y. J. Li, Y. C. Chen, et al., J. Nanjing For. Univ., Nat. Sci. Ed., 47, No. 3, 237–246 (2023).X. A. Bai, Y. E. Liu, L. L. Xue, Laser J., 41, No. 10, 97–101 (2020).X. A. Bai, Y. E. Liu, L. L. Xue, Laser J., 41, No. 10, 97–101 (2020).B. Lu, X. F. Wang, N. H. Liu, et al., Infrared Phys. Technol., 111, 103482 (2020).B. Lu, X. F. Wang, N. H. Liu, et al., Infrared Phys. Technol., 111, 103482 (2020).Y. D. Liu, Y. Rao, X. D. Sun, et al., Spectrosc. Spectral Anal., 40, No. 10, 3241–3246 (2020).Y. D. Liu, Y. Rao, X. D. Sun, et al., Spectrosc. Spectral Anal., 40, No. 10, 3241–3246 (2020).X. Y. Cui, Y. Sun, W. S. Cai, et al., Sci. China Chem., 62, No. 5, 583–591 (2019).X. Y. Cui, Y. Sun, W. S. Cai, et al., Sci. China Chem., 62, No. 5, 583–591 (2019).H. Li, M. S. Zhang, M. S. Shen, et al., Eur. J. Agron., 133, 126430 (2022).H. Li, M. S. Zhang, M. S. Shen, et al., Eur. J. Agron., 133, 126430 (2022).M. I. Campos, G. Antolin, L. Deban, et al., Food Chem., 257, 237–242 (2018).M. I. Campos, G. Antolin, L. Deban, et al., Food Chem., 257, 237–242 (2018).Y. H. Sun, Y. T. Fan, Spectrosc. Spectral Anal., 40, No. 6, 1690–1695 (2020).Y. H. Sun, Y. T. Fan, Spectrosc. Spectral Anal., 40, No. 6, 1690–1695 (2020).X. D. Sun, P. Subedi, K. B. Walsh, Postharvest Biol. Technol., 162, 111–117 (2020).X. D. Sun, P. Subedi, K. B. Walsh, Postharvest Biol. Technol., 162, 111–117 (2020).Q. S. Zeng, J. X. Wang, Z. N. Xin, et al., J. Ordnance Equip. Eng., 42, No. 11, 252–258 (2021).Q. S. Zeng, J. X. Wang, Z. N. Xin, et al., J. Ordnance Equip. Eng., 42, No. 11, 252–258 (2021).Y. R. Huang, J. Wang, N. Li, et al., Pattern Rec. Lett., 151, 76–84 (2021).Y. R. Huang, J. Wang, N. Li, et al., Pattern Rec. Lett., 151, 76–84 (2021).X. S. Wang, Y. D. Sun, M. G. Huang, et al., J. Northeast For. Univ., 43, No. 12, 82–85 (2015).X. S. Wang, Y. D. Sun, M. G. Huang, et al., J. Northeast For. Univ., 43, No. 12, 82–85 (2015).Z. Y. Zhang, Y. Li, Front. Plant Sci., 13, 1006292 (2022).Z. Y. Zhang, Y. Li, Front. Plant Sci., 13, 1006292 (2022).S. Mirjalili, S. M. Mirjalili, A. Hatamlou, Neural Comp. Appl., 27, No. 2, 495–513 (2016).S. Mirjalili, S. M. Mirjalili, A. Hatamlou, Neural Comp. Appl., 27, No. 2, 495–513 (2016).H. Liang, M. Zhang, C. Gao, et al., Sensors-Basel, 18, No. 6, 1963 (2018).H. Liang, M. Zhang, C. Gao, et al., Sensors-Basel, 18, No. 6, 1963 (2018).

The authors declare that there are no conflicts of interest present.