本文關鍵詞：東北林區(qū)主要闊葉材密度近紅外定標模型研究

  更多相關文章： 近紅外光譜 小波去噪 小波壓縮 木材密度

【摘要】：木材密度是衡量木材材質的重要參數(shù),快速測定木材密度有利于根據(jù)市場需求定向培育木材及提高木材精細化利用率。本研究應用強光探頭采集木材圓盤近紅外光譜,建立偏最小二乘(PLS)模型,并對未知樣品密度進行快速預測,同時應用小波去噪和小波壓縮對模型精度進行了優(yōu)化,討論了相關參數(shù)設置對優(yōu)化結果的影響。(1)基于強光探頭采集木材圓盤表面近紅外光譜,建立了PLS模型,得到榆樹木材密度近紅外校正和驗證模型決定系數(shù)分別為0.8347、0.7461；柞樹木材密度近紅外校正和驗證模型決定系數(shù)分別為0.8270、0.7570；楓樺木材密度近紅外校正和驗證模型決定系數(shù)分別為0.8475、0.7634；混合木材密度近紅外校正和驗證模型決定系數(shù)為0.8465、0.7614。應用所建模型對未知樣品進行預測得到,楓樺木材密度近紅外校正模型對楓樺樣品木材密度的預測決定系數(shù)最大(0.8390)。結果表明,近紅外光譜技術可用于野外快速測定木材密度。(2)應用小波變換對木材NIRS進行去噪處理,當sym5小波分解層為3,啟發(fā)式硬閾值對榆樹NIRS的去噪效果最好；當db2小波分解層為5,固定硬閾值對柞樹NIRS的去噪效果最好；當db5小波分解層為2,啟發(fā)式硬閾值對楓樺NIRS的去噪效果最好。對去噪后光譜建立PLS模型,榆樹木材密度近紅外校正和驗證模型決定系數(shù)為0.8655、0.7925；柞樹木材密度近紅外校正和驗證模型決定系數(shù)為0.8918、0.8039；楓樺木材密度近紅外校正模型和驗證模型決定系數(shù)為0.8671、0.7824；混合木材密度近紅外校正和驗證模型決定系數(shù)為0.8820、0.8130。應用去噪后模型對未知樣品進行預測得到,楓樺木材密度近紅外校正模型對楓樺樣品的預測決定系數(shù)最大,其值為0.8923,RMSEP為0.0276,SEP為0.03。結果表明,小波變換去噪能有效去除光譜中的噪音,提高模型精度。(3)應用小波變換對木材NIRS進行壓縮處理,對于榆樹NIRS,基于均衡稀疏標準硬閾值的db2小波6層分解的壓縮效果最好；對于柞樹NIRS,基于均衡稀疏標準硬閾值的sym4小波7層分解的壓縮效果最好；對于楓樺NIRS,基于均衡稀疏標準硬閾值的db2小波6層分解的壓縮效果最好。對壓縮后光譜建立PLS模型,榆樹木材密度近紅外校正模型決定系數(shù)為0.8355；柞樹木材密度近紅外校正模型決定系數(shù)為0.8545；楓樺木材密度近紅外校正模型決定系數(shù)為0.8479；混合木材密度近紅外校正模型決定系數(shù)為0.8469。應用壓縮后模型對未知樣品進行預測得到,柞樹木材密度近紅外校正模型對柞樹樣品的預測決定系數(shù)最大(0.8717)。結果表明,小波壓縮可簡化近紅外光譜數(shù)據(jù),基于小波壓縮和PLS法的近紅外光譜技術可實現(xiàn)木材密度的快速準確預測。
【關鍵詞】：近紅外光譜 小波去噪 小波壓縮 木材密度
【學位授予單位】：東北林業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：S781.31
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-15
• 1.1 引言9
• 1.2 近紅外光譜技術簡介9-11
• 1.2.1 近紅外光譜技術原理9-10
• 1.2.2 近紅外光譜分析技術的優(yōu)勢10
• 1.2.3 近紅外光譜技術的局限10-11
• 1.3 近紅外光譜技術在木材檢測中的應用11-13
• 1.3.1 在木材物理檢測中的應用11-12
• 1.3.2 在木材化學檢測中的應用12
• 1.3.3 在其它領域的應用12-13
• 1.4 研究的主要內容13-15
• 1.4.1 研究內容13
• 1.4.2 NIRS技術分析流程13-15
• 2 基于NIRS技術與PLS法預測木材密度15-23
• 2.1 引言15
• 2.2 實驗部分15-17
• 2.2.1 試驗樣品采集與制備15
• 2.2.2 采集近紅外光譜15-17
• 2.3 模型構建原理與評價17-19
• 2.3.1 模型構建原理17
• 2.3.2 Leave-one-out內部交叉驗證17-18
• 2.3.3 模型評價指標18-19
• 2.4 結果與分析19-21
• 2.4.1 不同主成分數(shù)對PLS建模精度的影響19-20
• 2.4.2 基于NIR密度模型的木材未知樣品密度預測20-21
• 2.5 本章小結21-23
• 3 小波變換去噪對模型的優(yōu)化研究23-38
• 3.1 引言23
• 3.2 小波變換去噪簡介23-26
• 3.2.1 小波變換定義23-24
• 3.2.2 小波的多分辨率分析24
• 3.2.3 尺度函數(shù)φ(t)和小波函數(shù)ψ(t)24-25
• 3.2.4 Mallat算法25-26
• 3.2.5 小波變換去噪效果評價26
• 3.3 小波變換去噪26-35
• 3.3.1 不同小波函數(shù)的去噪效果比較26-30
• 3.3.2 小波分解層去噪效果比較30-33
• 3.3.3 閾值選擇與量化對NIRS的去噪影響33-35
• 3.4 結果與討論35-36
• 3.4.1 小波變換去噪后NIRS建模35
• 3.4.2 去噪后模型預測未知樣品35-36
• 3.5 本章小結36-38
• 4 小波壓縮對木材密度近紅外模型優(yōu)化的研究38-49
• 4.1 引言38
• 4.2 小波壓縮理論基礎38-39
• 4.3 小波壓縮近紅外光譜39-44
• 4.3.1 不同小波函數(shù)的壓縮效果比較39-41
• 4.3.2 小波分解層壓縮效果比較41-43
• 4.3.3 不同閾值壓縮效果比較43
• 4.3.4 小波壓縮后近紅外光譜43-44
• 4.4 結果與討論44-47
• 4.4.1 小波壓縮后NIRS建模44-46
• 4.4.2 壓縮后模型預測未知樣品46-47
• 4.5 本章小結47-49
• 結論49-51
• 參考文獻51-56
• 攻讀學位期間發(fā)表的學術論文56-57
• 致謝57-58

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張慧娟;李耀翔;張鴻富;張亞朝;李湃;;基于近紅外光譜不同波段的紅松木材含水率預測分析[J];東北林業(yè)大學學報;2011年04期

2 吳新生;謝益民;;基于近紅外光譜法的木材原料的Kohonen網(wǎng)絡分類法[J];造紙科學與技術;2009年04期

3 王學順;戚大偉;黃安民;;基于小波變換的木材近紅外光譜去噪研究[J];光譜學與光譜分析;2009年08期

4 湯彥豐;侯占忠;王志寶;范國強;;中草藥大黃小波變換的近紅外光譜的聚類分析[J];安徽農業(yè)科學;2012年30期

5 董鳳霞;劉紅峰;;火炬松樹齡和材性對紙漿得率及成紙性能的影響[J];國際造紙;2014年02期

6 黃安民;焦淑菲;任海青;相玉紅;張卓勇;;支持向量機結合近紅外光譜法測定杉木木質素的含量[J];林產化學與工業(yè);2009年05期

7 王學順;戚大偉;黃安民;;基于小波模極大值的木材近紅外光譜去噪[J];林業(yè)科學;2008年10期

8 張鴻富;李耀翔;;近紅外光譜技術在木材無損檢測中應用研究綜述[J];森林工程;2009年05期

9 田高友,袁洪福,劉慧穎,陸婉珍;小波變換用于近紅外光譜數(shù)據(jù)壓縮[J];分析測試學報;2005年01期

10 郝斯琪;宋博騏;李湃;李耀翔;李謙寧;李祥;寧媛松;;基于近紅外光譜與BP神經網(wǎng)絡預測落葉松木屑的含水率[J];森林工程;2012年04期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 劉艷紅;東北東部森林植物多樣性及其影響因素研究[D];東北林業(yè)大學;2002年

，

本文編號：966088