木材干燥是一個復雜的非線性系統(tǒng)，由于木材結構復雜且具有多樣性和變異性，很難建立一個理想的符合木材干燥過程的數(shù)學模型。利用遺傳算法的全局尋優(yōu)能力優(yōu)化BP 神經網(wǎng)絡連接權值系數(shù)，分別用BP 和GA-BP 兩種算法建立了木材干燥基準模型。對比結果表明：GA-BP 算法建立木材干燥基準模型提高了期望誤差精度和收斂速度，避免了BP 算法陷入局部極小值，預測平均誤差為1.0413%，具有較好的預測精度。
木材干燥是一個復雜的強耦合非線性動力系統(tǒng),而且在干燥過程中存在著外界的干擾和
模型的不確定性，在控制精度和性能要求較高的場合，必須考慮控制對象參數(shù)乃至結構的變化、非線性的影響、運行環(huán)境的改變以及環(huán)境干擾等時變的不確定的因素，才能得到滿意的控制[1]。要實現(xiàn)這一點，首先要建立能夠準確完整地描述木材干燥規(guī)律的控制模型，為干燥的過程控制提供可靠的信息。進而對其控制策略進行研究，選擇合適的控制方法，使木材干燥控制系統(tǒng)達到理想的控制效果。在一般情況下,最好的方法是建立常規(guī)的數(shù)學公式，但是目前為止,要獲得精確的木材干燥過程模型的數(shù)學公式還存在較大的難度。
神經網(wǎng)絡是近年來人工智能研究的一個前沿領域，神經網(wǎng)絡的出現(xiàn)為木材干燥過程建模
提供了新的方法，并取得了一定的成果：文獻[1]建立了木材干燥過程的動態(tài)遞歸神經網(wǎng)絡模型；文獻[3]建立了木材干燥過程的時延神經網(wǎng)絡模型。但是神經網(wǎng)絡也存在一些缺陷，如訓練速度慢，容易陷入局部極小值和全局搜索能力弱等，所以神經網(wǎng)絡研究的難點之一便是如何得到學習效率高和穩(wěn)定性能好的網(wǎng)絡參數(shù)和結構。遺傳算法(Genetic Algorithm，簡稱GA)是根據(jù)達爾文的自然界生物進化思想，將其靈活運用到優(yōu)化運算領域而產生的一種尋優(yōu)算法。本文利用遺傳算法優(yōu)化神經網(wǎng)絡的權重系數(shù)和閾值參數(shù)，獲得全局最優(yōu)解，進而更有效的建立木材干燥過程的神經網(wǎng)絡模型。