木材干燥是改善木材物理力学性能、合理使用木材、减少木材降等损失、提高木材利用率的重要技术措施,也是保证木制品质量的关键技术之一。由于木材干燥过程表现出强非线性,用常规的基于线性模型的控制则达不到优化控制的目的和控制效果,因此建立能够准确完整地描述木材干燥规律的模型是实现木材干燥全自动控制、提高控制水平的关键。支持向量机作为一种新的基于统计学习理论的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点,而适用于强非线性、强耦合、大滞后特点的木材干燥过程建模。预测模型的拟合精度和泛化能力直接取决于相关参数的选取,但由于缺乏通用理论和方法的指导,在一定程度上影响了支持向量机的应用效果。本文针对支持向量机参数选取问题,研究基于支持向量机参数优化的木材干燥过程建模。通过分析支持向量机参数对木材干燥基准模型性能的影响,本文将参数选取视为组合优化问题,建立目标函数,将微粒群优化算法和遗传算法分别应用于支持向量机预测模型中,实现了参数的自动选取、优化。建立基于PSO-SVM和GA-SVM木材干燥模型,仿真结果表明,以上两种群智能优化算法均能有效地选取支持向量机木材干燥模型参数,与遗传算法相比,微粒群优化算法在木材干燥过程建模中表现出了更好的学习和推广能力,所产生的木材干燥模型预测可达性更好。为了实现木材干燥过程在线建模,针对木材干燥过程中试材样本数据存在较多噪声,支持向量机在训练过程中不能区分出样本冗余、有用与否的问题,本文引入核主成分分析方法对木材干燥数据进行预处理。利用优化效果较好的微粒群算法优化支持向量机参数进行离线建模研究,仿真结果表明,对数据预处理后的训练样本建立的木材干燥基准模型能获得更好的预测精度,且计算量减小,速度更快,因而具有较强的实用性。在核主成分分析方法数据预处理基础上,本文采用微粒群优化算法研究在线优化支持向量机参数的干燥基准在线建模,此方法能够准确的预测干燥过程木材含水率,这将为木材干燥在线预测控制的实现提供有力保障,对木材干燥控制水平的提高具有重要意义。