1.一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法,其特征在于包括如下步骤:
步骤(1):将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky‑Golay卷积平滑和一阶导数预处理和主成分分析,将变换后的不同波段的近红外光谱数据随机分组,将其中的n组数据作为训练样本集,N‑n组数据作为测试样本集,所述古筝面板用木材为泡桐木;
步骤(2):构建改进的BP神经网络模型,所述改进的BP神经网络模型包括输入层、隐藏层、输出层,选取Relu函数作为输入层与隐藏层之间的传递函数,选取Softmax函数作为模型的分类函数;
步骤(3):将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中,利用模型设计样本,得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果,从而确定用于实验分析的最佳光谱数据波段;
步骤(4):将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中,利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类,从而实现古筝面板用木材的等级识别;所述Savitzky‑Golay卷积平滑和一阶导数预处理和主成分分析的具体方法如下:
(a)采用Savitzky‑Golay卷积平滑方法,以均方根误差和模型计算量为衡量标准确定最佳滤波窗口,以15个数据点为数据卷积平滑窗口大小,保存变换后的数据;
(b)采用一阶导数变换,保存变换后的数据;
(c)对预处理后的光谱数据进行主成分分析,根据主成分累积解释程度选取最佳主成分个数,保存变换后的数据;所述主成分个数为12;所述改进的BP神经网络模型的具体构建步骤如下:
①利用一维Logistic映射产生的混沌序列进行初始化改进BP模型的权重值,正态分布初始化偏置值,逐层计算每层的输入和输出,映射方程公式如下,Xn+1=rXn(1‑Xn),其中r为系统参数,Xn为混沌序列第n层的输出;
②训练样本经本模型输入层与隐藏层之间的传递函数选取Relu函数,将学习率设置为指数衰减式学习率;
③采用Adam算法确定神经网络模型的权重值和偏置值,增加模型的鲁棒性,获得训练集的分类准确率;
④采用批量数据方法训练神经网络,根据训练结果调整网络各层节点数、学习率初始值、衰减指数、观察模型损失值和准确率变化,选取获得最高准确率的网络结构作为训练好的改进的BP神经网络模型的结构;所述输入层的结点数为12,隐藏层的结点数为15,输出层的结点个数为3;所述输入层结点与隐藏层之间的计算公式如下:bh=θh(ah);
其中,Wih为权值,n为隐藏层结点数,xi为指定波段的光谱数据,θ为Relu激活函数。
2.根据权利要求1所述的基于神经网络的近红外光谱识别古筝面板用木材等级的方‑1 ‑1 ‑1 ‑1
法,其特征在于所述近红外光谱的波段为10000cm 至7000cm 波段、6800cm 至5398cm 、‑1 ‑1
4976cm 至4000cm 三个波段区域。
3.根据权利要求1所述的基于神经网络的近红外光谱识别古筝面板用木材等级的方‑1 ‑1 ‑1 ‑1
法,其特征在于所述最佳光谱波段为10000cm 至7000cm 和4976cm 至4000cm 组合的波段。