| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题的研究背景 | 第9页 |
| 1.2 研究的目的与意义 | 第9-10页 |
| 1.3 国内外研究现状及发展趋势 | 第10-15页 |
| 1.3.1 木材含水率检测的研究现状 | 第10-13页 |
| 1.3.2 神经网络算法研究现状 | 第13-14页 |
| 1.3.3 蚁群算法的研究现状 | 第14-15页 |
| 1.4 研究内容与技术路线 | 第15-16页 |
| 1.5 本文结构和内容安排 | 第16-17页 |
| 2 木材含水率的研究及其在干燥过程中的检测实验 | 第17-30页 |
| 2.1 木材中的水分 | 第17-18页 |
| 2.2 木材的含水率 | 第18-19页 |
| 2.3 木材的纤维饱和点 | 第19-20页 |
| 2.3.1 木材的纤维饱和点的定义 | 第19页 |
| 2.3.2 木材的纤维饱和点的重要性 | 第19-20页 |
| 2.4 木材含水率的测量 | 第20-27页 |
| 2.4.1 称重法 | 第20-21页 |
| 2.4.2 电测法 | 第21页 |
| 2.4.3 称重法与电测法的实验检测及其对比 | 第21-27页 |
| 2.5 实验数据采集分析及预处理 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 基于BP神经网络的木材含水率预测 | 第30-47页 |
| 3.1 神经网络 | 第30-36页 |
| 3.1.1 神经网络的阐述 | 第31-32页 |
| 3.1.2 神经网络的基础理论 | 第32-34页 |
| 3.1.3 常见的神经网络模型 | 第34-35页 |
| 3.1.4 神经网络的分类方法 | 第35-36页 |
| 3.2 BP神经网络 | 第36-40页 |
| 3.2.1 BP神经网络的学习过程 | 第37-38页 |
| 3.2.2 BP神经网络的预测原理 | 第38-39页 |
| 3.2.3 BP神经网络用于木材含水率预测的可行性分析 | 第39-40页 |
| 3.3 BP神经网络的木材含水率预测 | 第40-46页 |
| 3.3.1 预测模型的建立 | 第40-41页 |
| 3.3.2 建模预测及结果分析 | 第41-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 蚁群算法及其改进算法在木材含水率预测中的应用 | 第47-63页 |
| 4.1 传统蚁群理论 | 第47-52页 |
| 4.1.1 思想来源 | 第47页 |
| 4.1.2 基本工作方法 | 第47-48页 |
| 4.1.3 构建蚁群算法的解 | 第48-49页 |
| 4.1.4 更新信息素 | 第49-50页 |
| 4.1.5 蚁群分类算法原理和基本流程 | 第50-52页 |
| 4.2 改进蚁群算法 | 第52-56页 |
| 4.2.1 蚁群的组建方式 | 第52-53页 |
| 4.2.2 启发式方法 | 第53-54页 |
| 4.2.3 改进的蚁群算法 | 第54-56页 |
| 4.3 蚁群算法及其改进算法的参数设置及仿真结果分析 | 第56-62页 |
| 4.3.1 算法分析及参数设置 | 第56页 |
| 4.3.2 仿真结果 | 第56-62页 |
| 4.4 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间发表的学术论文 | 第68-69页 |
| 致谢 | 第69-70页 |