基于近红外光谱技术的落叶松木材材性预测的研究

《基于近红外光谱技术的落叶松木材材性预测的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要针对我国木材供需的严重矛盾，使用适当的手段对木材性质进行快速、准确的预测来提高木材利用率具有重要意义。木材的主要成分为纤维素、半纤维素等高分子有机化合物，这些物质在近红外谱区都有较强的吸收度，这就使近红外光谱技术应用于木材性质检测成为可能。本论文主要应用近红外光谱分析技术及化学计量学方法对落叶松木材的密度、含水率、纤维素结晶度进行预测，所得结论主要有：(1)运用近红外光谱分析技术能够快速，准确地预测落叶松木材的密度。分别运用基于高斯核变换的非线性偏最小二乘法和传统偏线性最：b--乘法建立密度预测模型，并且对所建模型的评价参数进行了对

2、比分析。结果表明两种方法建立的预测模型都能对样品的密度进行有效预测，而在模型的具体参数比较上看，基于高斯核变换的非线性偏最小二乘法所建模型预测精度要优于传统偏最d"--乘法所建模型精度，研究表明样品近红外光谱信息与样品的实际密度值之间不是单纯的线性关系，非线性模型可以更好的表征二者之间的关系。(2)运用近红外光谱技术结合偏最小二乘法能够对落叶松含水率进行快速、准确的预测。通过比较发现在1000—2100nm波段范围内一阶导数处理光谱所建模型最好，校正集相关系数最大为0．9846，SEC与RMSEC最小分别为2．5193和2．5039，验

3、证集相关系数最大为0．9836，SEP与RMSEP最小分别为2．9353和3．1651。在划分的7个波段范围内，不论是原始未处理光谱，一阶导数处理光谱及二阶导数处理光谱所建模型均在1000---2100nm波段内最好，均优于其余波段范围所建模型。(3)运用近红外光谱技术结合BP人工神经网络能够对落叶松的纤维素结晶度进行有效预测。所建模型对训练集而言相关系数为0．9869，均方根误差为0．0151，对验证集而言相关系数为0．9783，均方根误差为0．0166，模型预测值与实验室采用x．射线衍射法测定的标准值比较来看相关系数高，相对误差较小

4、，最大为3．512％，最小为0．917％，均小于5％，所建模型达到精度要求且预测精度较高。关键词近红外光谱：偏最小二乘法：BP神经网络：落叶松木材：预测AbstractAccordingtothepresentsituationofforestryresources，itisaseriouscontradictionofwoodsupply-demandinchina．Toimproveoptimalutilizingplantationwoodresourceisimportant．Woodisanatural，complexando

5、rganicpolymerwithmaincomponentsofcellulose，hemicelluloseandli班nwhichhavestrongabsorptioninNIRregion,thisisaTheoreticalBasisofNIRtechniquepredictwoodproperties．Theaimofthisstudywastoanalyzethedensity,moisturecontentandcrystallinityoflarchsamplesusingnear-infraredspectrosc

6、opy．Themainresultsofthisdissertaionwereasfollows：(1)UseNIRtechniqueCanpredictlarchwooddensityrapidlyandaccurately．Predctionmodelweredevolpoedbynon-finearpartialleastsquares(NPLS)basedGaussianKernelandtraditionalpartialleastsquares(PLS)respectively,acomparativeanalysisofm

7、odelsmainparameterswereapplied．TheresultshowedthatmodelsdevelopedbasedonbothNPLSandPLSmethodsarevalidtothesamplesstudied．HoweverNPLSissuperiortoPLSinthisstudyintermsofmodelefficiencyandaccuracy．Theresultalsoreflectedtherelationshipbetweenspectraandsamplesdensityisnotasim

8、plelinearrelationship，butNPLSwasbeaertoexplainthisrelationshiptosomeextent．(2)UseNIRtechniquecombined谢Ⅱ