木材导热系数的支持向量回归预测  

Wood thermal conductivity prediction by using support vector regression

作　　者：蔡从中[1] 温玉锋[1] 朱星键[1] 裴军芳[1] 肖婷婷[1] 

机构地区：[1]重庆大学数理学院,重庆400044

出　　处：《重庆大学学报（自然科学版）》2009年第8期960-964,共5页Journal of Chongqing University

基　　金：教育部新世纪优秀人才支持计划资助项目(NCET-07-0903);教育部留学回国人员科研启动基金资助项目(教外司留[2008]101-1);重庆市自然科学基金资助项目(CSTC;2006BB5240);国家大学生创新性实验计划资助项目(CQUCX-G-2007-016)

摘　　要：根据木材在不同影响因素(密度、含水率和比重)下沿横纹方向(包括径向和弦向)的导热系数的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了木材沿不同方向的导热系数的预测模型,并与通过类比法(ANA)导出的理论模型和BP神经网络(BPNN)模型进行了比较。结果表明:基于相同的训练样本和检验样本,木材导热系数的SVR模型比其ANA模型或BPNN模型具有更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR模型预测的最大绝对百分误差(MPE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小。因此,SVR是一种预测木材导热系数的有效方法。The support vector regression （SVR） method combined with particle swarm optimization （PSO） is proposed to establish a model for predicting the thermal conductivity of timber in transverse directions （radial direction and tangential direction） based on the measuring database of thermal conductivity under different influential factors, including its density, moisture content and specific gravity. Comparing the prediction results of SVR method with those from analogism （ANA） model and BP neural network （BPNN） model, it is shown that the prediction precision is higher for SVR method by applying identical training and test samples and increase of training samples could improve the generalization ability. With the validation test by leave--one--out cross validation （LOOCV） test, maximal absolute percentage error （MPE）, mean absolute error （MAE） and mean absolute percentage error（MAPE）, are the smallest for the prediction of SVR method. It is suggested that SVR is an effective and powerful tool for predicting thermal conductivity of timber.

关 键 词：木材 导热系数 支持向量机 粒子群算法 留一交叉验证法 回归分析 预测 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程] O551.3[自动化与计算机技术—控制科学与工程]