专利名称：基于木材结构参数确定木材物理、力学特性的分析仪器的制作方法
技术领域：
本实用新型涉及一种由木材结构参数确定木材物理、力学特性的分析仪器。这些分析可以为木材科学领域的木材性质研究、探讨木材性质形成机理、树木优质种质资源培育、树木转基因工程、定向培育材质改良的树木新品种等方面提供科学依据及量化指标。
背景技术：
从森林的培育到木材的综合利用，都与树木及木材的内部结构息息相关。为此，国内外专家学者都在木材内部结构与物理及力学关系上问题上开展了大量的研究。克恩(Cown)在(Cown et al.1991)给出了木材的螺旋纹理与木材的力学强度的关系模型，通过该模型可知螺旋纹理对木材的干燥程度和力学强度的关系，并给出根据螺旋纹理的分布状态、方向和角度确定其木材加工方法，已部分地缓解强度降低、开裂等问题。哈里斯(Harris)研究了木材纹理与木材种类的关系，并得出大部分木材呈螺旋纹理仅有少部分木材呈直纹理状态的结论(Harris 1973，1989)。狄普(Draper)、史密斯(Smith)用线性或非线性的方法对木材结构的单一特征与密度、强度等建立了回归模型。
就目前国内外对木材结构与力学、强度的关系研究存在着如下问题●现有揭示木材结构与力学强度的关系不能反映其全部的特征。因为就其树木与木材本身就是一类复杂的生命体，仅用其内部的某一结构特征是不能全面而准确的反映其规律的。
●现有的回归方法所得到的精度一般都在70～80％左右，这只能说成是一个大致的趋势，而无法准确地把握真正的内在性质与力学间的关系；●现有的成果很难推广应用到森林种质资源培育、转基因工程、树木定向培育、木材材质改良以及提供木材新品种的研究和应用上来。
发明内容
本实用新型要解决的技术问题是针对国内外对树木内部结构与木材物理、力学关系的研究开发中存在的问题和不足，提出一种基于木材结构参数确定木材物理、力学特性的分析仪器。该仪器提供了对木材性质形成机理的成因分析，描述了木材这一类复杂生命体内部结构与其物理、力学间的相互关系，并保证精度在95％以上。其目的是为森林种质资源培育、转基因工程、树木定向培育、木材性质研究、木材性质及形成机理定向培育木材材质改良、木材新品种培育等领域提供科学的依据及方法，使我国能在短期内，在上述领域内位居世界前列。
本实用新型提出一种基于木材结构参数确定木材物理、力学特性的分析仪器，它包括输入键盘，计算机主机，显示器或/和打印输出装置，所述计算机主机内包括并依次连接1)输入单元，其中依次包括用于接收木材结构参数的输入模块，参数辨识、校对及控制器，加法器；2)接口引擎单元，其中包括用于开启Matlab引擎的模块，以及并列联接的数据缓冲区、用于实现木材结构参数数据格式转换的模块、用于神经元网络模型文件的调用模块；3)神经元网络非线性逼进单元，其中依次包括用于确定木材结构参数影响木材物理力学特性的权值的权值函数的计算模块，用于通过自学习神经元网络层权值修正并产生权值的线性函数的模块；4)输出单元，其中包括材性量化指标的输出模块和相关输出曲线的输出模块。
本实用新型的基于木材结构参数确定木材物理、力学特性的分析仪器与现有技术相比较，具有以下优点1、本实用新型中的木材解剖微观参数包括微纤丝角、胞壁率、射线比量、管胞比量、早材管胞长度、晚材管胞长度、早材管胞宽度、晚材管胞宽度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直径、晚材管胞T-直径、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔径比、晚材管胞腔径比等18个参数，它们都对该木材的密度、径向干缩、轴向干缩、弦向干缩、顺纹抗压强度、抗弯弹性模量、抗弯强度等7个重要材性指标产生不同的影响。这种不同程度的影响，在本实用新型中体现在权值函数中，也就是说，本实用新型全面的把握了上述木材结构参数与木材物理力学特性的关系。而现有的对这种关系的把握仅是上述的一个或几个参数(如微纤丝角与木材物理力学特性的关系)对木材物理力学之间的关系。因此，本实用新型可以更完全、更真实地表现出木材结构参数与其物理力学特性之间的关系。显示直观，一目了然。
2、现有的对这种复杂非线性关系的描述是基于线性或非线性回归的方法，而这种方法本身就存在着不精确或者说先天不足。本实用新型所采用的神经元网络方法，可以任意地逼进非线性，即只要神经元层数足够多，便可以达到任意理想的结果。
3、现有的算法是通过观察输入与输出之间点的分布情况采取曲线拟合方法，其准确度只能达到70％～80％之间。而本实用新型通过木材每一个结构参数对木材物理、力学特性影响的权值及所求出的权值函数，更加真实地、切合实际地描述了木材结构参数与木材物理力学特性之间关系，其准确度可达95％以上。
图1是基于木材结构参数确定木材物理、力学特性分析仪器的结构示意图；图2是本实用新型分析仪器的工作流程图；图3是输入模块的示意图；图4是接口引擎的工作流程图；图5是标准化处理器的示意图；图6是标准化处理器的运算模块的示意图；图7是神经元网络的运算模块的示意图；图8是神经元网络性能评估的线性回归图。
具体实施方式
在说明本实用新型的实施例之前，首先说明本实用新型的原理。
由于木材本身就是一个复杂的生命体或生物材料，其内部的结构与结构之间、这些结构与其自身的物理力学之间存在着相当复杂的奇异非线性关系，一般说来不存在或很困难找到显式的函数关系，即使免强找到了函数关系，那也会是一类非常复杂的非线性偏微分方程，处理起来相当难以把握。事实上，非线性奇异系统都不能用子空间来描述(它们是属于一些低维子流形)，直接讨论低维子流形是比较困难的。因此，本实用新型利用了神经元网络能够逼进任意的非线性这一特性。即，通过输入模块接收木材结构参数，经过参数辨识及校对经加法器输出给接口引擎。在接口引擎中首先开辟一个数据缓冲区，在此区内实现木材结构参数数据的格式转换、神经元网络模型文件的调用。经过初步处理的数据传递给神经网络的第一层，在这一层须要标准化处理，再经神经元网络初步的确定后计算出欧氏距离，最后通过自学习模型的修正后产生标准的权值函数，这个函数已将木材结构参数对木材物理力学的影响的权值确定。在神经元网络的第二层，将收到第一层权值函数通过自学习神经网络层权值模块修正后进行正规化处理产生权值的线性函数，最后达到木材物理力学特性的理想输出，因此，只要神经元层数足够多，就可以达到任意精度的结果。
以下结合附图和实施例，进一步说明本实用新型。
本实用新型工作流程如图2所示。分析仪器的结构如图1所示，包括输入键盘，计算机主机，显示器或打印输出装置，或者显示器和打印输出装置，所述计算机主机还包括以下四大部分并依次联接I.输入单元1，其中包括木材结构参数的输入模块5，参数辨识、校对及控制器6，加法器7；本实用新型在木材结构参数的输入模块5中提供以下三种输入模块，可以选择一种或其组合a.基于整体模型的宏观分析的微观参数输入模块8，在该模块中共有18个木材解剖的微观参数，包括微纤丝角、胞壁率、射线比量、管胞比量、早材管胞长度、晚材管胞长度、早材管胞宽度、晚材管胞宽度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直径、晚材管胞T-直径、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔径比、晚材管胞腔径比，根据以上18个输入参数即可确定该木材的7个重要材性指标，其中包括基本密度、径向干缩、轴向干缩、弦向干缩、顺纹抗压强度、抗弯弹性模量、抗弯强度。
b.分年龄段木材材性指标分析的参数输入模块9，在宏观分析的基础上，反应木材不同年龄段的性质变异和边材心材的差异，给出分年龄段木材材性指标分析的分模型，在输入参数时给出其木材年龄即可得出精度更高的材性指标预测结果。本实用新型能分析和预测1-15年的木材。
c.重要解剖参数的输入模块10，该模块保证基本功能前提下简化操作，减少对大量解剖参数的依赖，提供了不完全查询，即可从18个微观解剖数据中自行选择输入参数或定义输入参数个数，得出木材的7个材性指标，特别指出的是，此项不完全分析能保证其最大精度，在不完全查询的参数组合中采用了逐步回归分析法将参数归类组合，采用主成分分析法可以降低输入参数的维数。
图3所示为输入模块结构图，无论选择上述哪种分析方式，终端与界面接口都交互有数据信息及与数据相关的控制信息，即参数定义域控制、参数步长控制、数据格式控制。其中参数定义域控制主要用于校正参数输入，在误操作时给出告警，各定义域的初始设置由实验统计数据确定，仪器工作前可专门定制其所需要的参数区间。参数步长控制用于更改参数微调按钮的步长，便于使用。数据格式控制是在输入数据时选择几位有效数字和何种科学计数方法。控制信息和数据信息在输入模块内部的通信是透明的，可以自由选择和分别输入控制信息和数据信息，二者永远保持同步。
II.接口引擎单元2，其中包括用于开启Matlab引擎的模块11，以及并列联接的数据缓冲区13、用于实现木材结构参数数据格式转换的模块14、用于神经元网络模型文件的调用模块12。本实用新型采用专门的数学运算软件Matlab作为其后台运算和分析的工具，在该单元要建立起前端和后台Matlab的通信，即Matlab接口引擎。具体说来，就是将输入的参数信息通过Matlab与界面开发程序的接口送入到Matlab工作空间，参与计算，运算结束后又能把运算结果以合适的数据格式返回，同时，提供一系列神经元网络性能和训练结果分析的图表。其工作流程如图4所示。
III.神经元网络非线性逼进单元3，其中至少包括如下两个单元a.神经元网络的第一层单元15，它包括标准化处理器17，神经元网络隐含层权矩阵模块18，欧氏距离计算模块19，自学习模型的修正模块20，点乘模块21，高斯函数发生器22；所述标准化处理器17和神经元网络隐含层权矩阵模块18分别与欧氏距离计算模块19联接，然后欧氏距离计算模块19和自学习模型的修正模块20分别与点乘模块21联接，最后点乘模块21与高斯函数发生器22联接。
b.神经元网络的第二层单元16，它又包括并依次联接神经元网络线性层权矩阵模块23，正规化处理器24，产生权值的线性函数发生器25。
在进入真正的运算网络之前，输入样本要进入标准化处理器，进行事先、事后的标准化处理，处理方式如图5所示，对于输入样本数据0-104的值域区间进行标准化处理。通过标准化处理后将输入向量和目标输出向量量化为零均值和偏差为1的标准向量。下面是通过零均值和偏差型函数的实现过程。
＝prestd(p，t)参数意义p 网络输入向量t 目标输出向量pn 量化后的输入向量meanp 输入向量的均值stdp输入向量的偏差tn 量化后的目标输出向量meant 目标输出的均值stdt目标输出的偏差具体的标准化过程如图6所示。下面给出标准化处理器的运算环节
mean(P′)=mean(p11p21ΛpR1p12p22ΛpR2MMMp1Qp2QΛpRQ)]]>=Σi=1i=Qp1iQΣi=1i=Qp2iQΛΣi=1i=QpRiQ1×R]]>std(P′)=std(p11p21ΛpR1p12p22ΛpR2MMMp1Qp2QΛpRQ)]]>=(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)121×R]]>Pn＝(P-meanp×oneQ)·/(stdp×oneQ)=(p11p12Λp1Qp21p22Λp2QMMMpR1pR2ΛpRQ-Σi=1i=Qp1iQΣi=1i=Qp2iQMΣi=1i=QpRiQR×1×11Λ11×Q)·/((1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12M(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12R×111Λ11×Q)]]>
=p11-Σi=1i=Qp1iQp12-Σi=1i=Qp1iQΛp1Q-Σi=1i=Qp1iQp21-Σi=1i=Qp2iQp22-Σi=1i=Qp2iQΛp2Q-Σi=1i=Qp2iQMMMpR1-Σi=1i=QpRiQpR2-Σi=1i=QpRiQΛpRQ-Σi=1i=QpRiQ·/(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12Λ(1Q-1Σi=1Q(p12-1QΣi=1Qp12)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12MMM(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12Λ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12]]>p11-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12p12-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12Λp1Q-Σi=1i=Qp1iQ(1Q-1Σi=1Q(p1i-1QΣi=1Qp1i)2)12p21-Σi=1i=Qp2iQ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12p22-Σi=1i=Qp2iQ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12Λp2Q-Σi=1i=Qp2iQ(1Q-1Σi=1Q(p2i-1QΣi=1Qp2i)2)12MMMpR1-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12pR2-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12ΛpRQ-Σi=1i=QpRiQ(1Q-1Σi=1Q(pRi-1QΣi=1QpRi)2)12]]>
mean(T′)=mean(t11t21ΛtS1t12t22ΛtS2MMMt1Qt2QΛtSQ)]]>=Σi=1i=Qt1iQΣi=1i=Qt2iQΛΣi=1i=QtSiQ1×S]]>std(T′)=std(t11t21ΛtS1t21t22ΛtS2MMMt1Qt2QΛtSQ)]]>(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)121×S]]>Tn＝(T-meant×oneQ)·/(stdt×oneQ)=(p11p12Λp1Qp21p22Λp2QMMMpS1pS2ΛpSQ-Σi=1i=Qt1iQΣi=1i=Qt2iQMΣi=1i=QtSiQS×1×11Λ11×Q)·/((1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12M(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12S×111Λ11×Q)]]>
=t12-Σi=1i=Qt1iQt12-Σi=1i=Qt1iQΛt1Q-Σi=1i=Qt1iQt2i-Σi=1i=Qt2iQt22-Σi=1i=Qt2iQΛt2Q-Σi=1i=Qt2iQMMMtS1-Σi=1i=QtSiQtS2-Σi=1i=QtSiQΛtSQ-Σi=1i=QtSiQ·/(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12Λ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12MMM(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12Λ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12]]>t11-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12t12-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12Λt1Q-Σi=1i=Qt1iQ(1Q-1Σi=1Q(t1i-1QΣi=1Qt1i)2)12t21-Σi=1i=Qt2iQ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12t22-Σi=1i=Qt2iQ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12Λt2Q-Σi=1i=Qt2iQ(1Q-1Σi=1Q(t2i-1QΣi=1Qt2i)2)12MMMtR1-Σi=1i=QtRiQ(1Q-1Σi=1Q(tRi-1QΣi=1QtRi)2)12tR2-Σi=1i=QtRiQ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12ΛpRQ-Σi=1i=QpRiQ(1Q-1Σi=1Q(tSi-1QΣi=1QtSi)2)12]]>经过标准化处理器后，进入正式的神经元网络运算模块，如图7所示该神经元网络模块中有Q个节点，R维输入，S维输出。神经元网络输入向量为P，神经元网络隐含层的权值设为P’，该层每个神经元节点的带权输入，即欧几里德距离‖dist‖。‖dist‖是欧几里德距离权函数，权函数把权重加到输入矩阵上以得到带权输入矩阵。对于dist(W，P)，W为S×R权矩阵，P为Q维输入列向量矩阵，dist(W，P)返回S×Q维向量距离矩阵。
在该模型中将权矩阵W定义为P′，则
dist(PQ×R′,PR×Q)]]>=dist(p11p12Kp1Rp21p22Kp2RMMMpQ1pQ2KpQR,p11p21KpQ1p12p22KpQ2MMMp1Rp2RKpQR)]]>=0d12d13Λd1Qd210d23Λd2Qd31d320Λd3QMMMMdQ1dQ2dQ3Λ0Q×Q]]>式中dij表示矩阵P′第i个行向量与矩阵P第j个列向量间的距离，因此对角线上的元素均为0。进而将dist(P′，P)与b1作点乘，即dist(P′,P)·*b1=0d12d13Λd1Qd210d23Λd2Qd31d320Λd3QMMMMdQ1dQ2dQ3Λ0·*b11b12Λb1Qb21b22Λb2QMMMbQ1bQ2ΛbQQ]]>
=0b12*d12b12*d13Λb1Q*d1Qb21*d210b23*d23Λb2Q*d2Qb31*d31b32*d320Λb3Q*d3QMMMMbQ1*dQ1bQ2*dQ2bQ3*dQ3Λ0]]>在网络隐含层每个神经元网络输入是其带权输入与其偏值之积，如上式所示，而每个神经元的输出是网络输入的径向基函数。
利用高斯核函数(Gaussian kernel function)作为基函数的形式，如下式所示uj=exp[-(X-Cj)T(X-Cj)2δj2],j=1,2,K,Nh]]>其中，uj是第j个隐层节点的输出，X＝(x1，x2，K，xn)T是输入样本，Cj是高斯函数的中心值，δj是标准化常数，Nh是隐层节点数。其隐含层节点中的作用函数(核函数)对输入信号将在局部产生响应，也就是说，当输入信号靠近核函数的中央范围时，隐层节点将产生较大的输出，由此，这种神经元网络具有局部逼近能力，所以径向基函数网络也成为局部感知场网络。由上式可知，节点的输出范围在0和1之间，如果一个神经元的权向量与其输入向量相等(转置)，其带权输入将为0，当其网络输入为0，则输出为1，且输入样本愈靠近节点的中心，输出值愈大。
采用高斯基函数，具备如下优点1、表示形式简单，即使对于多变量输入也不增加太多的复杂性；2、径向对称；3、光滑性好，任意阶导数存在；4、由于该基函数表示简单且解析性好，因而便于进行理论分析。
经过基函数发生器，神经元节点输出为a1，开始进入网络线性层。在网络线性层中首先要经过一个正规化处理器，然后再进入普通的线性神经元。在正规化处理器中，采用normprod函数来计算网络的输出向量n2。normprod是一个权函数，权函数将权重加到输入矩阵上得到带权矩阵。对于normprod(W，P)，W为S×R权矩阵，P为Q维输入列向量矩阵，normprod(W，P)返回S×Q维正规化点积。
在该网络中，将网络线性层的权矩阵设为网络的目标输出TS×Q，即normprod(T，a1)=normorid(t11t12Λt1Qt21t22Λt2QMMMtS1tS2ΛtSQ,a11a12Λa1Qa21a22Λa2QMMMaQ1aQ2ΛaQQ)]]>=Σj=1j=Qt1j*aj1Σj=1j=Qaj1Σj=1j=Qt1j*aj2Σj=1j=Qaj2ΛΣj=1j=Qt1j*ajQΣj=1j=QajQΣj=1j=Qt2j*aj1Σj=1j=Qaj1Σj=1j=Qt2j*aj2Σj=1j=Qaj2ΛΣj=1j=Qt2j*ajQΣj=1j=QajQMMMΣj=1j=QtSj*aj1Σj=1j=Qaj1Σj=1j=QtSj*aj2Σj=1j=Qaj2ΛΣj=1j=QtSj*ajQΣj=1j=QajQ]]>本实用新型所采用的神经元网络是一个逼近器，只要隐单元足够多，它就可以逼近任意M元连续函数且对任一未知的非线性函数，总存在一组权值使网络对该函数的逼近效果最好。网络第二层也有与网络输入和目标向量相同的神经元节点数，这里将第二层的权值矩阵设为目标向量矩阵T。
IV.输出模块4，其中包括材性量化指标的输出模块26和相关输出曲线的输出模块27。
当网络训练结束之后，用sim函数来仿真神经元网络的输出，从而与目标输出进行比较，来检验神经元网络的性能。函数postreg利用了线形回归的方法分析了神经元网络输出和目标输出的关系，即神经元网络输出变化相对于目标输出变化的变化率，从而评估了神经元网络的训练结果。
a＝sim(net，p)[m，b，r]＝postreg(a，t)函数postreg返回了3个值，m和b分别表示最优回归直线的斜率和y轴截距，当m等于1，b等于0的时候，神经元网络输出和目标输出完全相同，此时的神经元网络具有最优的性能。r表示网络输出与目标输出的相关系数，它越接近于1，表示网络输出与目标输出越接近，神经元网络性能越好。函数postreg显示的图形中，横坐标为目标输出，纵坐标为网络输出，“o”表示数据，理想回归直线(神经元网络输出等于目标输出时的直线)由实线表示，最优回归直线由虚线表示。在神经元网络输出模块中，分别给出各个输出材性指标的用来衡量神经元网络性能线性回归图形，输出图形如图8所示，从仿真图中可以看出其精度达到了98.999％。
以下列表是采用本实用新型分析仪器对杉木和72杨的分析结果。
杉木微观解剖结构数据(输入I)
72杨微观解剖结构数据(输入II)
杉木、72杨化学组成表(输入)
杉木微观解剖所确定的物理力学特性输出表
72杨微观解剖所确定的物理力学特性输出表
杉木化学组成所确定的物理力学特性输出表
72杨化学组成所确定的物理力学特性输出表
权利要求1.一种基于木材结构参数确定木材物理、力学特性的分析仪器，它包括输入键盘，计算机主机，显示器或/和打印输出装置，其特征是，所述计算机主机内包括并依次连接1)输入单元，其中依次包括用于接收木材结构参数的输入模块，参数辨识、校对及控制器，加法器；2)接口引擎单元，其中包括用于开启Matlab引擎的模块，以及并列联接的数据缓冲区、用于实现木材结构参数数据格式转换的模块、用于神经元网络模型文件的调用模块；3)神经元网络非线性逼进单元，其中依次包括用于确定木材结构参数影响木材物理力学特性的权值的权值函数的计算模块，用于通过自学习神经元网络层权值修正并产生权值的线性函数的模块；4)输出单元，其中包括材性量化指标的输出模块和相关输出曲线的输出模块。
2.根据权利要求1所述的分析仪器，其特征是，所述用于接收木材结构参数的输入模块包括下列参数输入模块中的一种或其组合a.基于对木材整体模型进行宏观分析的木材解剖微观参数的输入模块；b.分开年龄段进行木材材性指标分析的参数输入模块；c.重要解剖参数的输入模块。
3.根据权利要求1所述的分析仪器，其特征是，所述3)神经元网络非线性逼进单元中至少包括如下两个单元a.神经元网络的第一层单元，它包括标准化处理器，神经元网络隐含层权矩阵模块，欧氏距离计算模块，自学习模型的修正模块，点乘模块，高斯函数发生器；所述标准化处理器和神经元网络隐含层权矩阵模块分别与欧氏距离计算模块联接，然后欧氏距离计算模块和自学习模型的修正模块分别与点乘模块联接，最后点乘模块与高斯函数发生器联接；b.神经元网络的第二层单元，它包括并依次联接神经元网络线性层权矩阵模块，正规化处理器，产生权值的线性函数发生器。
4.根据权利要求2所述的分析仪器，其特征是，所述a.基于对木材整体模型进行宏观分析的木材解剖微观参数的输入模块中包括下列参数微纤丝角、胞壁率、射线比量、管胞比量、早材管胞长度、晚材管胞长度、早材管胞宽度、晚材管胞宽度、早材管胞T-壁厚度、晚材管胞T-壁厚度、早材管胞R-壁厚度、晚材管胞R-壁厚度、早材管胞T-直径、晚材管胞T-直径、早材管胞壁腔比、晚材管胞壁腔比、早材管胞腔径比、晚材管胞腔径比。
专利摘要本实用新型提出一种基于木材结构参数确定木材物理、力学特性的分析仪器。该仪器包括输入键盘，计算机主机，显示器或/和打印输出装置，所述计算机主机内包括1)输入单元，包括用于接收木材结构参数的输入模块，参数辨识、校对及控制器，加法器；2)接口引擎单元，包括开启Matlab引擎的模块，数据缓冲区，实现木材结构参数数据格式转换的模块，神经元网络模型文件的调用模块；3)神经元网络非线性逼进单元，包括用于确定木材结构参数影响木材物理力学特性的权值函数的计算模块，用于通过自学习神经元网络层权值修正模块并产生权值的线性函数的模块；4)输出单元，包括材性量化指标的输出模块和相关输出曲线的输出模块。
文档编号G01N33/46GK2743834SQ200420096149
公开日2005年11月30日 申请日期2004年9月27日 优先权日2004年9月27日
发明者江泽慧, 周玉成, 姜笑梅, 井元传, 吕建雄, 赵亮, 费本华, 秦特夫, 黄洛华, 任海青, 赵有科, 殷亚方, 刘君良, 余雁 申请人:周玉成