季伟东 王克奇 张建飞 马 宁

(东北林业大学，哈尔滨，150040) (黑龙江科技学院) (哈尔滨师范大学)

木材缺陷直接影响木材品质及其使用价值，木材表面缺陷识别的研究对于木材的科学利用具有十分重要的意义。木材表面缺陷模式识别通常采用人工神经网络技术［1-3］，收敛速度慢，精度低，识别率不高。为解决神经网络这一问题，当前很多研究者将模拟退火、遗传算法等一些全局搜索方法用于神经网络的训练中。但其复杂的操作使得神经网络所消耗时间随着问题的规模和复杂度成指数级增长，并且在局部搜索方面缺乏有效的机制，在最优解附近收敛速度变慢甚至停滞。针对此问题，笔者用改进后的粒子群算法训练开关神经网络，将其用于木材表面缺陷识别，目的是加快收敛速度，提高精度，避免陷入局部极值。

1 改进的粒子群优化算法

1.1 粒子群优化算法

粒子群优化算法(Particle Swarm Optimization，PSO)于1995年由Eberhart博士和kennedy博士提出。它源于鸟类捕食行为的模拟，首先初始化一随机种群，种群中的每个粒子都代表着所求解问题的一个可能解。每个粒子都有自己的位置和速度，在每一次迭代过程中，粒子都记忆、追随当前迭代的最优粒子，通过跟踪两个“极值”来更新自己的位置、速度。两个极值分别是个体极值，即粒子本身所找到的最优解;全局极值，即整个种群找到的最优解。粒子在迭代过程中找到这两个极值后，粒子按照公式(1)、(2)来更新自己的位置和速度［4-5］。

1.2 改进的粒子群优化算法(IPSO)

1.2.1 混沌产生初始种群