以落叶松木材为研究对象,实验在东北林业大学干燥实验室进行,采用MATLAB中log-sigmoid型函数(logsig)和线性函数(purelin)为神经元的作用函数,用落叶松木材的干燥温度、湿度、循环风速及平衡含水率作为输入变量,以木材含水率作为输出变量,构建了4∶S∶1的木材干燥的BP人工神经网络模型。用120组数据对网络模型进行训练及检验,得最适宜的网络结构为4∶10∶1,均方误差函数mse=0.001 7,总体拟合精度为96.86%。该模型能够运用到相同条件下的其他树种的木材干燥。
运用近红外光谱对落叶松(Larix gemelinii Rupr)样品密度进行了研究,分别运用偏最小二乘法及主成分回归建立预测模型,并用建立的模型分别对每一个样品进行了预测。基于偏最小二乘法的校正模型及验证模型相关系数分别为0.964和0.918,校正标准误差及预测标准误差分别为0.016和0.021,模型预测值与实测值决定系数为0.93;主成分回归模型中,校正模型及验证模型相关系数分别为0.954和0.911,校正标准误差及预测标准误差分别为0.017和0.023,模型预测值与实测值决定系数为0.91。研究表明:基于主成分回归法与偏最小二乘法的近红外光谱分析建模,都可以实现对落叶松木材密度的有效预测,但相比较而言,偏最小二乘法略优于主成分回归法,所建立的模型对落叶松木材密度预测更加准确可靠。