林业科学

作者：陈芳1,程献宝2,黄安民2,王学顺1,*

单位：1. 北京林业大学理学院 北京 1000832. 中国林业科学研究院木材工业研究所 北京 100091

关键词：近红外光谱,弹性模量,支持向量机,人工蜂群算法

基金：中央高校基本科研业务费专项资金(2015ZCQ-LY-01);国家自然科学基金项目(31670564)

目的: 利用近红外光谱分析技术，提出一种基于人工蜂群算法优化支持向量机(ABC-SVM)的木材弹性模量预测模型，为木材弹性模量无损预测提供科学参考。方法: 以294个杉木样本为试验材料，采用常规力学方法测量样本弹性模量，采集样本近红外漫反射光谱，选择350~2 500 nm光谱段，对原始数据进行15步指数平滑和一阶导数预处理，并利用主成分分析降维处理后的数据，建立偏最小二乘回归(PLS)模型、支持向量机回归(SVR)模型和人工蜂群算法优化支持向量机(ABC-SVM)模型预测杉木弹性模量，采用决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)对所建模型进行对比分析。结果: PLS模型的R2为0.726 700、RMSE为6.744 9、MAPE为0.063 5、MAE为5.065 6；SVR模型的R2为0.935 305、RMSE为3.528 1、MAPE为0.023 7、MAE为1.840 9；将人工蜂群算法用于SVM参数寻优，获得的最优参数c=5.670 51、g=0.031 25，ABC-SVM模型的R2为0.935 371、RMSE为3.526 0、MAPE为0.023 7、MAE为1.840 0。3种模型均可对杉木弹性模量进行有效预测。结论: 1) 根据决定系数(R2)，SVR和ABC-SVM模型的预测性能优于PLS模型，ABC-SVM模型的预测性能最佳；2)根据均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)，3种模型的MAPE均在可接受范围内，ABC-SVM模型关于误差的各项指标均最小，基于ABC-SVM模型预测杉木弹性模量高效、科学。

来源：2021年第1期

《林业科学》期刊编辑部

查看林业科学杂志2021年第1期