FSP近区段含水率预测算法及温度自适应加权融合方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-17页 |
| ·课题背景 | 第8-9页 |
| ·木材含水率检测技术的研究现状及发展趋势 | 第9-11页 |
| ·数据融合技术的研究现状及发展趋势 | 第11-13页 |
| ·课题研究目的和意义 | 第13-15页 |
| ·本文研究内容 | 第15-17页 |
| 2 木材含水率检测机理分析 | 第17-26页 |
| ·木材与水分 | 第17页 |
| ·木材的含水率 | 第17-18页 |
| ·木材纤维饱和点 | 第18-19页 |
| ·木材纤维饱和点的概念 | 第18页 |
| ·木材纤维饱和点的特点 | 第18-19页 |
| ·木材的纤维饱和点的重要意义 | 第19页 |
| ·木材的纤维饱和点与收缩、木材导电性的关系 | 第19页 |
| ·木材含水率的检测方法 | 第19-21页 |
| ·称重法 | 第19-20页 |
| ·电测法 | 第20-21页 |
| ·木材的电学性质 | 第21-25页 |
| ·木材的导电性能 | 第21-23页 |
| ·木材的直流电性质 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 3 统计学习理论与支持向量机模型 | 第26-36页 |
| ·统计学习理论介绍 | 第26-31页 |
| ·机器学习问题的一般表示 | 第26-27页 |
| ·经验风险最小化原则 | 第27-28页 |
| ·风险界与学习机的VC维 | 第28-30页 |
| ·结构风险最小化 | 第30-31页 |
| ·支持向量机的基本原理 | 第31-32页 |
| ·支持向量机回归理论 | 第32-35页 |
| ·支持向量机回归模型 | 第32-34页 |
| ·损失函数 | 第34页 |
| ·核函数 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 4 人工神经网络理论 | 第36-44页 |
| ·人工神经网络简介 | 第36-37页 |
| ·神经网络的结构 | 第37-38页 |
| ·神经网络的学习方式 | 第38-39页 |
| ·BP神经网络 | 第39-43页 |
| ·基本原理 | 第39页 |
| ·BP神经元模型 | 第39-40页 |
| ·BP神经网络结构 | 第40-41页 |
| ·BP神经网络训练算法 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 5 木材纤维饱和点近区段含水率预测仿真研究 | 第44-56页 |
| ·木材含水率检测实验平台 | 第44-45页 |
| ·木材纤维饱和点近区段含水率预测仿真 | 第45-55页 |
| ·基于BP神经网络方法的预测仿真 | 第47-51页 |
| ·基于支持向量机方法的预测仿真 | 第51-54页 |
| ·BP神经网络与支持向量机仿真结果比较 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 6 干燥窑内温度检测的自适应加权融合方法研究 | 第56-64页 |
| ·基本原理 | 第56页 |
| ·权的概念与权数的确定 | 第56-57页 |
| ·自适应加权融合方法 | 第57-59页 |
| ·自适应加权融合方法的Matlab仿真 | 第59-61页 |
| ·算法的运算过程 | 第59-60页 |
| ·算法的仿真实验 | 第60-61页 |
| ·干燥窑内温度检测的自适应加权融合方法仿真 | 第61-63页 |
| ·融合方法的运算步骤 | 第62页 |
| ·融合方法的仿真实验 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70-71页 |
