基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^(*)、a^(*)、b^(*)进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^(*)、a^(*)、b^(*)平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。

基于灰狼算法优化支持向量回归模型的木材染色配色算法研究

为提高木材染配色的精度和速度,本文对樟子松木材单板进行染色,提取染色单板的光谱反射率作为输入,以支持向量回归模型(SVR)为基础作为预测模型对染料配方进行预测,用灰狼算法对SVR参数进行寻优,并引入非线性收敛因子和新的位置更新策略改进灰狼算法容易陷入局部最优的缺点,以配方相对偏差作为评价指标,与固定参数的SVR模型及其他模型做对比,优化后的模型配方相对偏差为0.177,配色效果相较于固定参数SVR模型的相对偏差0.344、遗传算法优化的SVR模型的相对偏差0.287等具有明显优势,对提高人工速生材的利用具有重要意义。