БИК-инверсионная модель прогнозирования плотности древесины лиственницы при разном содержании влаги на основе нейронной сети BP, оптимизированной с помощью нескольких алгоритмо

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.

1. Y. Yang, S. J. Shen, Sci. Technol. Rev., 28, No. 14, 113–117 (2010).

2. V. Nasir, S. Nourian, Z. Zhou, et al., Wood Sci. Technol., 53, No. 5, 1093–1109 (2019).

3. Y. Li, Y. X. Li, H. K. Xu, et al., J. Nanjing For. Univ., 40, No. 6, 148–156 (2016).

4. T. X. Ho, L. R. Schimleck, J. Dahlen, et al., Wood Sci. Technol., 56, No. 5, 1419–1437 (2022).

5. W. Qi, Z. Xiong, H. Tang, et al., J. Appl. Spectrosc., 88, No. 2, 461–467 (2021).

6. C. M. Popescu, P. Navi, M. I. P. Pena, et al., Spectrochim. Acta, A, 191, 405–412 (2018).

7. Z. Y. Wang, S. K. Yin, C. X. Li, et al., J. Northwest For. Univ., 34, No. 1, 229–236 (2019).

8. J. Wang, Y. J. Li, Y. C. Chen, et al., J. Nanjing For. Univ., Nat. Sci. Ed., 47, No. 3, 237–246 (2023).

9. X. A. Bai, Y. E. Liu, L. L. Xue, Laser J., 41, No. 10, 97–101 (2020).

10. B. Lu, X. F. Wang, N. H. Liu, et al., Infrared Phys. Technol., 111, 103482 (2020).

11. Y. D. Liu, Y. Rao, X. D. Sun, et al., Spectrosc. Spectral Anal., 40, No. 10, 3241–3246 (2020).

12. X. Y. Cui, Y. Sun, W. S. Cai, et al., Sci. China Chem., 62, No. 5, 583–591 (2019).

13. H. Li, M. S. Zhang, M. S. Shen, et al., Eur. J. Agron., 133, 126430 (2022).

14. M. I. Campos, G. Antolin, L. Deban, et al., Food Chem., 257, 237–242 (2018).

15. Y. H. Sun, Y. T. Fan, Spectrosc. Spectral Anal., 40, No. 6, 1690–1695 (2020).

16. X. D. Sun, P. Subedi, K. B. Walsh, Postharvest Biol. Technol., 162, 111–117 (2020).

17. Q. S. Zeng, J. X. Wang, Z. N. Xin, et al., J. Ordnance Equip. Eng., 42, No. 11, 252–258 (2021).

18. Y. R. Huang, J. Wang, N. Li, et al., Pattern Rec. Lett., 151, 76–84 (2021).

19. X. S. Wang, Y. D. Sun, M. G. Huang, et al., J. Northeast For. Univ., 43, No. 12, 82–85 (2015).

20. Z. Y. Zhang, Y. Li, Front. Plant Sci., 13, 1006292 (2022).

21. S. Mirjalili, S. M. Mirjalili, A. Hatamlou, Neural Comp. Appl., 27, No. 2, 495–513 (2016).

22. H. Liang, M. Zhang, C. Gao, et al., Sensors-Basel, 18, No. 6, 1963 (2018).