周修理，王 飛，劉明瑋，王德福

（1.東北農業(yè)大學電氣與信息學院，哈爾濱 150030；2.東北農業(yè)大學工程學院，哈爾濱 150030）

混合材料板以木材和農作物秸稈為原料，經(jīng)熱壓形成高分子材料，應用廣泛。我國混合材料板制造行業(yè)存在能源消耗高、環(huán)境污染、產品質量低等問題。因此，高效利用木材和農作物秸稈，緩解木材資源供需不平衡，提高自然資源利用率、增加附加值、改善環(huán)境、實現(xiàn)自然資源可持續(xù)利用尤為重要?；谏仲Y源和混合材料板供需矛盾，建立精確、快速混合材料板熱壓控制預測模型具有實用價值[1-2]。

熱壓過程檢測和控制方面，Steve等開發(fā)人造板熱壓監(jiān)測系統(tǒng)用于檢測熱壓過程板坯溫度、壓力、厚度和含水率等工藝參數(shù)[3]。陳天全自主研發(fā)熱壓溫度、熱壓壓力和原料含水率實時檢測系統(tǒng)，實時檢測溫度、壓力、含水率等參數(shù)并發(fā)現(xiàn)其變化規(guī)律[4]。王東林等基于PROFIBUS現(xiàn)場總線技術，構建分布式智能控制系統(tǒng)，運用模糊調節(jié)算法及模糊規(guī)則調節(jié)算法主要參數(shù)，實現(xiàn)熱壓過程優(yōu)化控制[5]。王寧等分析熱壓生產過程，建立雙?？刂破?，應用改進粒子群算法優(yōu)化控制器參數(shù)，提高控制系統(tǒng)魯棒性和精度[6]。

熱壓過程建模和性能預測方面，Harless等分析板坯垂直密度分布與板芯溫度和熱壓壓力分布，構建數(shù)學模型[7]。Humphrey等研究分析熱壓過程原料含水率、熱壓溫度、熱壓壓力等因素，運用有限差分方法構建熱壓過程溫度、壓力、含水率預測模型[8]。Zombori等開發(fā)熱壓過程二維模型考慮空氣、水蒸氣、結合水含量、板坯芯層溫度和固化指數(shù)，利用微分-代數(shù)系統(tǒng)求解器求解[9]。該數(shù)學模型可預測并優(yōu)化熱壓過程溫度、含濕量、局部空氣和蒸汽壓力、總壓力、相對濕度及粘合劑固化指數(shù)等參數(shù)。謝力生等認為板芯層溫度影響因素有熱壓溫度、原料含水率、板材厚度等，確定溫度變化與板材性能參數(shù)間關系[10]。劉亞秋等研究熱壓過程板間距離、熱壓壓力、熱壓溫度、壓機閉合速度、熱壓時間等因素得到最佳生產工藝方案[11]。田燕青通過分析熱壓過程與BP神經(jīng)網(wǎng)絡特點，將該算法應用于中密度纖維板熱壓參數(shù)優(yōu)化和預測，利用試驗樣本集合訓練、學習建立基于BP神經(jīng)網(wǎng)絡熱壓過程預測模型，預測不同熱壓生產工藝條件下中密度纖維板性能，提高產品質量和生產效率[12]。蓋玲等利用BP神經(jīng)網(wǎng)絡建立熱壓工藝參數(shù)與板材力學特性間預測模型，該預測模型可預測混合材料板力學性能指標[13]。孫建飛等通過多因素均勻試驗研究熱壓工藝參數(shù)對稻殼和木材復合材料彈性模量和靜曲強度影響[14]。符彬等以甘蔗渣纖維為原料，采用熱壓技術制備無粘結劑蔗渣纖維板，研究無粘結劑甘蔗渣纖維板密度、熱壓溫度和熱壓時間對無粘結劑蔗渣纖維板物理力學性能影響[15]。Tiryaki等建立人工神經(jīng)網(wǎng)絡和多元線性回歸模型，根據(jù)熱壓溫度、熱壓時間、熱壓壓力及膠粘劑類型預測刨花板靜曲強度和彈性模量[16]。潘亞鴿等以麥秸、木材和環(huán)保型阻燃無機膠粘劑為主要原料，采用熱壓技術制備麥草與木材均勻混合無機刨花板，通過研究麥草木比、膠粘劑用量、熱壓過程X射線衍射并以掃描電子顯微鏡分析熱壓時間和熱壓溫度對板材物理靜曲強度、彈性模量、內部結合強度及吸水厚度膨脹率影響作用，確定最佳熱壓工藝[17]。彭順等研究大豆基粘合劑粘接竹纖維刨花板靜曲強度、彈性模量、內部結合強度及吸水厚度膨脹率，探討熱壓溫度、熱壓時間、粘合劑用量和防水試劑含量對大豆基粘結竹刨花板性能影響[18]。孫建平等利用遺傳算法和神經(jīng)網(wǎng)絡預測力學性能[19-20]，該網(wǎng)絡模型非線性映射能力更強、穩(wěn)定性更高，但預測易陷入局部極小值。于海英針對中密度纖維板熱壓小樣本問題、訓練樣本不足問題，提出采用支持向量機建模方法構建熱壓工藝參數(shù)與板材力學性能指標關系模型，并用網(wǎng)格搜索法優(yōu)化參數(shù)[21]，預測混合材料板力學特性，但易陷入局部最優(yōu)。

針對上述問題，本文結合支持向量機理論（Support Vector Machine，SVM）和粒子群優(yōu)化算法（Particle Swarm Optimization，PSO），通過正交試驗設計并結合混合材料板力學特性測試樣本數(shù)據(jù)，以熱壓壓力、熱壓溫度、含水率、熱壓時間為自變量，選取靜曲強度、彈性模量、抗拉強度為因變量，構建熱壓工藝參數(shù)與混合材料板力學特性間非線性預測模型，提出將PSO嵌入SVR算法，選擇和優(yōu)化熱壓控制參數(shù)，以期獲得全局最優(yōu)混合材料板力學特性預測模型。研究結果可為混合材料板靜曲強度、彈性模量、抗拉強度預測及熱壓控制參數(shù)選擇提供參考依據(jù)。

1 熱壓過程分析與熱壓試驗設計

1.1 熱壓過程分析

熱壓是混合材料板生產主要工序之一，對板材力學特性起決定作用?；旌喜牧习迕芏?、厚度和力學特性與熱壓控制參數(shù)密切相關[22]。熱壓過程主要原理是熱壓機根據(jù)工藝要求向蓬松板坯提供熱量并施壓，熱量與壓力共同作用促使板坯中水分汽化、蒸發(fā)，各種成分發(fā)生系列理化變化。膠粘劑固化，防水劑重新分布，促進板坯纖維緊密接觸與交織，形成多種結合力，生產符合特定要求混合材料板。其過程可分為壓縮、溫度滲透、厚度控制和卸壓4個階段。熱壓過程是復雜非線性系統(tǒng)，主要參數(shù)包括兩個方面：一是原料參數(shù)，包括原料類型、膠粘劑種類、含水率等，該參數(shù)對混合材料板密度及密度分布均勻性和可塑性具有重要影響；二是熱壓控制參數(shù)，包括熱壓壓力、熱壓溫度、熱壓時間等，在該參數(shù)耦合作用下形成具有特定力學特性混合材料板。混合材料板力學性能指標主要包括靜曲強度、彈性模量、內結合強度等。其中，靜曲強度是混合材料板承受壓力直到斷裂最大壓力強度；彈性模量反映混合材料板彈性形變程度；內結合強度反映混合材料板內部纖維膠合質量。實際混合材料板生產過程中熱壓壓力、熱壓溫度、熱壓時間及原料含水率等因素相互作用、相互影響，需協(xié)同控制以滿足工藝需求。

1.2 熱壓試驗設計

1.2.1 試驗儀器及材料

以熱壓控制過程為研究對象，實驗儀器、材料為：100 t試驗熱壓機、50 t試驗熱壓機、空氣壓縮機、纖維拌膠機、SC69-02型水分快速測定儀、臺秤、天平、計時表、燒杯、量筒、玻璃棒、干燥雜木纖維、脲醛樹脂膠、固化劑、防水劑等。試驗材料、指標及熱壓控制參數(shù)范圍如下：木纖維初始含水率30%～40%，采用脲醛樹脂膠粘劑，固體膠含量為50%，成品板目標厚度12 mm，密度0.80～0.85 g·cm-3，鋪裝線含水率約10%，全程熱壓時間約180 s，熱壓溫度約170℃，熱壓過程時間約3 min。

1.2.2 熱壓試驗流程

（1）原料用量計算：用SC69-02型水分快速測定儀測定纖維含水率，確定混合材料板密度、施膠量、膠粘劑和固化劑用量、防水劑用量；根據(jù)混合材料板幅面尺寸及厚度計算絕干纖維重量，確定絕干纖維重量和纖維含水率及實際需要濕纖維重量；根據(jù)計算干膠量，按液體膠固體含量計算需要液體膠含量；根據(jù)預定固化劑用量比例計算實際用量；根據(jù)預定防水劑用量比計算實際用量。

（2）拌膠：將纖維原料倒入拌膠機內，膠粘劑和固化劑混合，其間不斷攪拌，以防局部快速固化，倒入噴槍杯。防水劑可與膠粘劑合噴，也可單噴；待纖維、膠粘劑、防水劑準備完畢，開動攪拌機和空氣壓縮機拌膠。控制好拌膠機轉速和攪拌時間以保證纖維和膠粘劑充分混合?？諝鈮嚎s機壓力一般控制在0.4～0.5 Mpa；拌膠后纖維刨花含水率在13%以下，即可保證混合材料板質量，防止鼓泡和分層現(xiàn)象，縮短熱壓時間，提高效率。

（3）鋪裝：墊板使用前，為防止熱壓后粘板，可在混合材料板板坯與墊板接觸處涂擦少量油酸，放入?？蛳湎旅妫粚枘z纖維手工鋪裝，為使纖維分布均勻，防止由于鋪裝不均熱壓造成混合材料板密度不均，在?？蛳滗佈b口上放置金屬絲網(wǎng)，使纖維通過屬絲網(wǎng)而均勻地落入?？蛳鋬?。

（4）預壓：拌膠纖維在?？蛳鋬蠕佈b完畢，送入預壓機。預壓機內預壓15～20 s，單位壓力一般為1.5～1.8 Mpa；預壓成型后，板坯從預壓機卸下，拆掉模箱，為防止熱壓后粘板，在板坯下面放置墊板。

（5）熱壓：根據(jù)要求混合材料板厚度，選取厚度規(guī)放在熱壓板上；將預壓后板坯同上下墊板一同放入熱壓機中。12 mm厚混合材料板熱壓條件：溫度約170℃，時間約3 min，壓力約15～18 Mpa；熱壓后，降壓卸板。使壓機緩慢或分段降壓，以免過快發(fā)生鼓泡。

（6）力學特性測定：混合材料板彈性模量、靜曲強度及內結合強度性能指標測定參照《人造板及飾面人造板理化性能試驗方法》國家標準（GB/T11657-1999）。

1.2.3 試驗方法

影響混合材料板靜曲強度、彈性模量、內結合強度主要因素包括熱壓壓力、熱壓溫度、熱壓時間與含水率。結合試驗熱壓機工作參數(shù)，通過理論分析及預實驗確定因素取值范圍，綜合考慮熱壓工藝要求，選取熱壓壓力為16～17 Mpa，熱壓溫度為168～172℃，熱壓時間為120～130 s，纖維含水率9.5%～10.5%。以混合材料板靜曲強度、彈性模量、內結合強度為評價指標。正交試驗因素水平如表1所示。

表1 正交試驗因素水平Table1 Factorsand levelsof orthogonal test

2 預測模型算法原理

2.1 支持向量機原理

支持向量機是基于小樣本統(tǒng)計學習理論和結構風險最小化原則建模方法[23]。將支持向量機解決回歸預測問題即支持向量機回歸（Support Vector Regression，SVR）[24]。

假設 n 個訓練樣本集合（xi，yi），xi∈ Rn，yi∈R，i=1，2，…，n。xi表示輸入值，yi表示輸出值，根據(jù)樣本集合尋找最優(yōu)函數(shù)f（x）=〈w，x〉+b。其中〈w，x〉表示w和x內積，〈w，x〉=wTx。表示預測模型混合材料板板材屬性與熱壓控制參數(shù)系數(shù)組成向量?？紤]現(xiàn)實誤差，引入不敏感損失參數(shù)ε、松弛變量ζi、ζi*和懲罰因子C。優(yōu)化方程為：

由函數(shù)極值條件求解Lagrange乘子式，得對偶問題。其中α，β，為拉格朗日乘子。

非線性情況下，將點通過核函數(shù)K（xi，xj）映射到高維空間。得到非線性回歸函數(shù)

支持向量機核函數(shù)通常有以下三種：多項式Polynomial核函數(shù)、RBF核函數(shù)以及Sigmoid核函數(shù)。相比其他核函數(shù)，RBF核函數(shù)具有性態(tài)良好、參數(shù)少等優(yōu)點[26]，故選用RBF核函數(shù)為試驗核函數(shù)構建預測模型。其參數(shù)初值范圍設置：

RBF核函數(shù)：exp（-gamma*|u-v|2）C∈[0.01,1000],gamma∈[0.001,10]

為研究板坯屬性、熱壓控制參數(shù)及混合材料板力學特性三者之間非線性關系，本文利用支持向量機非線性建模理論構建以熱壓工藝參數(shù)和板坯屬性為自變量，以混合材料板性能指標為因變量關系模型?；赟VR原理熱壓控制模型結構圖如圖1所示。

本文采用5倍交叉驗證方法優(yōu)選參數(shù)，即將訓練樣本集合分為5個子集合且兩兩互不相交，其中4個子集合作為訓練集，訓練數(shù)據(jù)建立回歸預測模型；剩余一個子集作為測試集，驗證模型性能。根據(jù)圖1，分別對以下三種情況建立預測模型。

圖1 基于SVR原理建立熱壓控制模型結構圖Fig.1 Structuredigram of hot-pressing technology processbased on SVR

模型一：以熱壓溫度、熱壓壓力、熱壓時間、含水率為自變量，以靜曲強度為因變量；

模型二：以熱壓溫度、熱壓壓力、熱壓時間、含水率為自變量，以彈性模量為因變量；

模型三：以熱壓溫度、熱壓壓力、熱壓時間、含水率為自變量，以內結合強度為因變量。

2.2 PSO算法參數(shù)尋優(yōu)

由于SVR預測模型性能主要受懲罰因子C與RBF核函數(shù)參數(shù)g影響[27]，模型參數(shù)選取直接影響預測模型擬合精度和穩(wěn)定性。為提高混合材料板力學特性預測精度，選擇算法優(yōu)化支持向量機回歸模型中懲罰因子C和RBF核函數(shù)參數(shù)g尤為重要。為避免網(wǎng)格搜索法優(yōu)選參數(shù)易陷入局部最優(yōu)，本文將粒子群算法嵌入SVR算法，對SVR參數(shù)選擇和優(yōu)化。粒子群算法具有計算速度快、全局搜索能力強等優(yōu)點[28]。

其基本思想：在D維目標搜索空間，有m個粒子由3個向量表示，第i個粒子當前位置可表示為xi=（xi1，xi2，…，xiD）T，速度為 vi=（vi1，vi2，…，viD）T；pi=（pi1，pi2，…，piD）T表示第 i個粒子個體極值點位置；pg=（pg1，pg2，…，pgD）T表示整個種群全局極值點位置[29]。粒子根據(jù)個體極值點和全局極值點重新確定本身位置和速度，速度和位置更新如式（5）：

其中，位置更新公式由三部分組成：量部分、個體認知部分及社會認知。為第n次迭代粒子i位置矢量第d維分量；為第n次迭代粒子i位置矢量第d維分量；pid為粒子i個體最好位置pbest第d維分量；pgd為群體最好位置gbest第d維分量；w表示慣性權重；c1和c2為學習因子；和為[0,1]區(qū)間隨機數(shù)。PSO算法實現(xiàn)步驟：

（1）初始化粒子群，即初始化種群數(shù)量、初始搜索點位置及速度，并設定初始參數(shù)；

（2）確定適應度函數(shù)并計算適應度值；

（3）根據(jù)式（4）更新粒子位置和速度，包括更新每個粒子狀態(tài)、種群中個體最優(yōu)位置及全局最優(yōu)位置；

（4）判斷是否滿足終止條件。若滿足條件，則終止迭代，輸出全局最優(yōu)解；否則跳轉至步驟（2）。

基于上述分析，應用PSO算法對熱壓混合材料板SVR預測模型參數(shù)優(yōu)化，具體實現(xiàn)流程如圖2所示。

2.3 預測模型評價標準

為更好評價預測模型精度，以均方誤差和擬合優(yōu)度為預測模型評價指標[30]。其中，均方誤差反映預測模型實際值與預測值誤差，越小說明預測精度越高。擬合優(yōu)度越接近1，說明回歸函數(shù)對數(shù)據(jù)擬合效果越好，即自變量對因變量解釋程度越好。為避免輸出各性能參數(shù)差別較大對模型計算造成影響，分別對混合材料板靜曲強度、彈性模量和內結合強度作最大-最小標準歸一化處理。

3 結果與分析

3.1 試驗結果

為降低測試試驗造成隨機誤差，在相同條件下，分別測量試驗樣本組靜曲強度、彈性模量和內結合強度，取5次測量值算術平均值作為測試結果。訓練和測試基于正交試驗性能測試小樣本數(shù)據(jù)，其中前10組為測試集樣本數(shù)據(jù)，后30組為訓練集樣本數(shù)據(jù)，試驗數(shù)據(jù)如表2所示。

圖2 粒子群算法及預測模型實現(xiàn)流程Fig.2 Particleswarm optimization and implementing flow of predictivemodel

表2 試驗數(shù)據(jù)Table2 Experimental data

續(xù)表

3.2 PSO-SVR算法參數(shù)設計

PSO-SVR算法設計主要包括設定種群初始參數(shù)和構造適應度函數(shù)，本文適應度函數(shù)曲線反映PSO-SVR算法優(yōu)化前后均方誤差變化。PSO-SVR算法參數(shù)設定如表3所示[31]。

正交試驗數(shù)據(jù)如表2所示，隨機選取試驗數(shù)據(jù)75%作為訓練集用建立預測模型，剩余25%作為測試集驗證預測模型性能?；旌喜牧习屐o曲強度、彈性模量、內結合強度歸一化測試集預測值與實際值擬合結果分別如圖3（a）、（b）、（c）所示。可見混合材料板靜曲強度、彈性模量、內結合強度測試集預測值與實際值誤差較小。

表3 PSO-SVR算法參數(shù)預設值Table3 PSO-SVR algorithm parameter preset value

圖3 三種PSO-SVR模型測試集擬合結果Fig.3 Test set fitting resultsof three PSO-SVR models

三種PSO-SVR預測模型適應度曲線分別如圖4（a）、（b）、（c）所示?？梢?，經(jīng)100次進化計算，混合材料板靜曲強度、彈性模量、內結合強度PSO-SVR預測模型均可得到穩(wěn)定適應度迭代值，模型一最優(yōu)參數(shù)C=61.1298、g=7.7462，模型二最優(yōu)參數(shù)C=0.1、g=2.3168，模型三最優(yōu)參數(shù)C=52.7092、g=8.9452。三種PSO-SVR預測模型分別經(jīng)21、8、12次迭代后適應度函數(shù)快速收斂并趨于穩(wěn)定，即PSO算法優(yōu)化SVR參數(shù)收斂速度快且穩(wěn)定，適于SVR參數(shù)C與g尋優(yōu)。

3.3 PSO-SVR預測結果分析

通過對訓練集30組數(shù)據(jù)分析，混合材料板靜曲強度、彈性模量、內結合強度實際值和預測值誤差較小，均方誤差分別為0.014、0.009、0.009；擬合優(yōu)度分別為0.934、0.934、0.949；均方根誤差分別為0.12、0.03、0.03。測試集實際值與誤差值擬合結果如圖3（a）、（b）、（c）所示。測試集10組數(shù)據(jù)分析可見，預測值與實際值差值較小，均方誤差分別為0.018、0.014、0.015；預測值擬合曲線與實際曲線基本吻合，擬合優(yōu)度分別為0.902、0.918、0.916；模型預測值與實際值誤差小，均方根誤差分別為0.134、0.118、0.122，模型預測誤差小、精度高。相比較SVR，數(shù)據(jù)集均方誤差均減小，預測精度更高；擬合優(yōu)度更接近1，說明回歸函數(shù)對數(shù)據(jù)擬合效果更好。結果表明，以熱壓壓力、熱壓溫度、含水率、熱壓時間作為模型輸入?yún)?shù)，經(jīng)PSO-SVR模擬預測，混合材料板靜曲強度、彈性模量、內結合強度預測值與實際值誤差較小，模型預測精度高，反映混合材料板力學特性實際情況，適用性較好。

3.4 SVR和PSO-SVR預測效果對比

為驗證PSO-SVR預測模型比SVR模型更適于混合材料板力學特性預測，本文分別用SVR和PSO-SVR算法模擬預測試驗數(shù)據(jù)，分別以訓練集和測試集均方誤差、擬合優(yōu)度作為預測模型評價指標，SVR與PSO-SVR預測結果見表4。由表4可知，混合材料板靜曲強度、彈性模量、內結合強度PSO-SVR預測模型均方誤差分別為0.018、0.014、0.015，擬合優(yōu)度分別為0.902、0.918、0.916；相較SVR算法，均方誤差分別降低0.006、0.009、0.003，擬合優(yōu)度分別提升12、15、8個百分點。由于BP神經(jīng)網(wǎng)絡需大量訓練樣本數(shù)據(jù)且存在收斂速度慢及網(wǎng)格搜索法易陷入局部最優(yōu)等問題。本文利用支持向量機對混合材料板熱壓試驗數(shù)據(jù)訓練學習，選擇粒子群算法對支持向量機參數(shù)與g全局優(yōu)化選擇，得到混合材料板力學特性PSO-SVR預測模型。相比較SVR模型，PSO-SVR模型穩(wěn)定性更強、精度更高、泛化能力更強。

圖4 三種PSO-SVR模型進化曲線Fig.4 Evolution curvesof three PSO-SVR models

表4 SVR與PSO-SVR預測結果對比Table4 Comparison of SVR and PSO-SVR predictiveresults

4 結 論

a.將粒子群算法（PSO）嵌入支持向量機回歸（SVR）模型參數(shù)優(yōu)化過程，結合正交試驗設計理論，根據(jù)混合材料板熱壓生產過程主要工藝參數(shù)，構建混合材料板力學特性SVR預測模型，三種SVR預測模型測試集均方誤差分別為0.018、0.014、0.015，擬合優(yōu)度分別為0.902，0.917，0.916。

b.運用PSO算法對SVR模型參數(shù)與g選擇優(yōu)化，得到全局最優(yōu)解，提高模型預測精度。與SVR相比較，PSO-SVR算法模型可更好模擬混合材料板熱壓過程自變量與因變量非線性關系，預測精度更高、穩(wěn)定性更強、泛化能力更強。說明粒子群算法適合混合材料板力學特性SVR預測模型參數(shù)優(yōu)化。

c.PSO-SVR模型可為混合材料板力學特性預測及熱壓控制參數(shù)選擇提供依據(jù)。農林廢棄物經(jīng)一定化學和機械處理可制取高性能纖維，利用其生產混合材料板，增加農業(yè)生產附加值，提高農業(yè)廢棄物綜合利用率，降低其處理不當對生態(tài)環(huán)境影響。該研究成果可為農林廢棄物混合材料板力學特性預測及熱壓控制參數(shù)選擇優(yōu)化提供理論參考。

[1] 傅萬四,王曉軍,南生春,等.發(fā)展人造板產業(yè),產促進林業(yè)建設[J].木材工業(yè)2004,18(1):12-15.

[2] 孫紅敏,吳靜婷,李曉明.基于改進BP神經(jīng)網(wǎng)絡的價格預測模型研究[J].東北農業(yè)大學學報,2013,44(8):133-137.

[3] Steve K,Bruce M A.Press monitoring system for panel industry[C].26th International Particleboard/Composite Materials Symposium,1992.

[4]陳天全.大片刨花板熱壓過程溫度、氣壓和含水率變化規(guī)律研究[D].北京:北京林業(yè)大學,2006.

[5] 王東林,俞國勝,楊樺.基于WinCC的中密度纖維板熱壓工段監(jiān)控軟件的設計[J].林產工業(yè),2009,36(6):37-39.

[6] 王寧,孫麗萍.中密度纖維板熱機壓力模糊控制研究[J].機電產品開發(fā)與創(chuàng)新,2010,23(1):129-131.

[7] Harless T,Wagner E,Short P,et al.Heat and moisture movement in wood composite material during the pressing operation[J].Wood and Fiber Science,1987,19:81-92.

[8] Humphrey P,Bolton A.The hot pressing of dry formed based composite.Part li.A simulation model for heat and moisture transfer and typical results[J].Holzforschung,1989,43(3):199-206.

[9]Zombori B,Kamke F,Watson L.Simulation of the internal conditions during the Hot-pressing process[J].Wood and Fiber Science,2003,35(1):20-23.

[10] 謝力生,李翠翠.纖維板熱壓中心層溫度與力學性能的關系[J].中南林業(yè)科技大學學報,2009,29(5):82-86.

[11] 劉亞秋,王春曉,武曲,等.基于Burgers模型的MDF連續(xù)平壓質量控制計算方法研究[J].安徽農業(yè)科學,2014,42(16):5088-5091.

[12] 田燕青.中密度纖維板熱壓控制參數(shù)優(yōu)化系統(tǒng)的研究[D].哈爾濱:東北林業(yè)大學,2011.

[13] 蓋玲,宋孝周.基于BP神經(jīng)網(wǎng)絡的棉稈重組方材性能預測研究[J].木材加工機械,2014,43(4):115-119.

[14] 孫建飛,肖生苓,王昊宇,等.工藝類參數(shù)對稻殼—木刨花復合包裝板力學性能的影響[J].東北林業(yè)大學學報,2015,43(2):91-97.

[15] 符彬,鄭霞,潘亞鴿,等.無膠蔗渣纖維板制備及性能[J].林產工業(yè),2015,42(6):14-17.

[16] Tiryaki S,Aras U,Kalayc?oglu H,et al.Predictive models for modulus of rupture and modulus of elasticity of particleboard manufactured in different pressing conditions[J].High Temperature Materials&Processes,2016,36:1-12.

[17] 潘亞鴿,朱凌波,唐錢,等.麥秸/木材均質復合無機碎料板的制備及其性能[J].材料導報,2017,31(4):25-29.

[18] 彭順,桂成勝,林新青,等.大豆膠制備竹刨花板的工藝參數(shù)探究[J].林產工業(yè),2017,44(9):19-23.

[19] 孫建平,王逢瑚,胡英成,等.基于遺傳神經(jīng)網(wǎng)絡的農作物秸稈板材優(yōu)化設計[J].農業(yè)工程學報,2010,26(1):319-323.

[20] 孫建平,王逢瑚,李鵬,等.遺傳神經(jīng)網(wǎng)絡在木塑復合材料力學性能預測中的應用[J].高分子材料科學與工程,2012,28(1):117-120.

[21] 于海英.MDF熱壓過程多傳感器數(shù)據(jù)融合模型建立與仿真研究[D].哈爾濱:東北林業(yè)大學,2013.

[22] Li Q F,Liu Y Q,Zhu L K.Model building and optimization analysis of MDF continuous Hot-pressing by neural network[J].Mathematical Problemsin Engineering,2016:1-16.

[23] Vapnik V N.The nature of statistical learning theory[J].IEEE Transactionson Neural Networks,1997,8(6):153-168.

[24] 趙開才,石鳳梅,孟慶林,等.基于SVM的水稻稻瘟病識別方法[J].東北農業(yè)大學學報,2013,44(11):118-126.

[25] Smola A J,Sch?lkopf B.A tutorial on support vector regression[J].Statisticsand Computing,2004,14(3):199-222.

[26] Zhang Y T,Liu CY,Wei SS.ECGquality assessment based on a kernel support vector machine[J].Computers&Electronics,2014,15(7):564-573.

[27] 王德福,王沫,李利橋.錘片式粉碎機粉碎玉米秸稈機理分析與參數(shù)優(yōu)化[J].農業(yè)機械學報,2017,48(11):165-171.

[28] 李珂,邰能靈,張沈習.基于改進粒子群算法的配電網(wǎng)綜合運行優(yōu)化[J].上海交通大學學報,2017,51(8):43-45.

[29] 劉環(huán)宇,陳海濤,閔詩堯,等.基于PSO-SVR的植物纖維地膜抗張強度預測研究[J].農業(yè)機械學報,2017:48(4):30-35.

[30] 谷文成,柴寶仁,滕艷平.基于粒子群優(yōu)化算法的支持向量機研究[J].北京理工大學學報,2014,34(7):68-73.

[31] 李靜,王京,楊磊,等.熱處理爐鋼板溫度的自適應混沌粒子群算法-最小二乘支持向量機優(yōu)化預報算[J].控制理論與應用,2011:28(12):12-20.