基于人工神经网络的服装结构设计

1.Institute of Science;Zhejiang Sci-Tech University;Hangzhou;Zhejiang 310018;China;2.Institute of Fashion;Zhejiang Sci-Tech     

基于嗅觉神经网络的织物组织识别

针对织物组织的多样性及其组织图像处理易受噪声干扰的问题,提出一种基于嗅觉神经网络的织物组织识别方法.在生物嗅觉神经网络建模技术的基础上,根据激励响应关系调节KIII模型输入电压,将采集的织物图像在X和Y方向投影,计算其组织点大小,然后重排组织点,将重排结果运用上述KIII模型识别.样本数据验证表明:所建模型对平纹、缎纹...     

基于人工神经网络的织物疵点聚类分析

本文提出了一种基于人工神经网络的织物疵点分类方法。首先利用灰度共生矩阵提取织物疵点图像的纹理特征参数;然后阐述前馈BP神经网络的拓扑结构,并提出该网络的具体训练过程;最后利用人工神经网络对真实织物疵点样本进行分类,实验采用五类织物样本,网络训练完成后得到实际分类的疵点数据,并利用该数据进行织物疵点分类,分类的准确率达到100%,从而验证了该方法的可行性。     

基于人工神经网络的毛条品质反演模型

简述了毛条品质反演的理论与实际意义，推导了BP神经网络的标准算法。通过建立BP神经网络模型对羊毛细度(D)、细度离散(CVD)、长度(H)与长度离散(CVH)进行反演，验证了BP神经网络模型的反演准确性与高效性。     

基于BP人工神经网络的数字字符识别

提出一种基于BP人工神经网络来识别含有噪声的数字字符的方法.通过对BP网络模型进行训练,并选择纯净和带有噪声的数字字符组成样本,借助Matlab7.0实现数字字符识别,识别率为96%,达到了设计要求.     

基于深度卷积神经网络的织物花型分类

针对织物纹理花型人工视觉分类效率低的问题,提出一种基于深度卷积神经网络(CNN)的条状、格子和波点纹理织物的识别分类方法.首先,建立由条状花型、格子花型和波点花型织物组成的图像样本集和标签数据集.然后,分别建立了基于GoogLeNet和AlexNet两种卷积神经网络的织物花型分类模型.最后,通过模型评价指标选择最优的训练迭代期.实验结果表明,利用深度卷积神经网络分类织物花型是可行有效的.     

基于人工神经网络的毛精纺纱线质量预报技术

介绍了毛精纺纺纱过程与人工神经网络的特点 ,提出人工神经网络在纺纱质量预报中的工作原理与实现方法 ,并提供了国内外的应用实例 ,指出人工神经网络技术在毛精纺纱线质量预报中的广泛应用前景。     

BP神经网络下的智能化合体服装样板生成

为快速得出符合顾客体型的服装样板,以男西裤为基准样板,腰围和臀围部位的变更规则为研究对像,格柏CAD 为技术开发平台,依据大量人体数据对样板原有的变更规则进行优化和重建,采用BP 神经网络算法建立了人体腰围、臀围尺寸变化量与相应的变更规则之间的神经网络模型。直接采用数据与数据的匹配归档,最终实现男西裤腰腹部和臀部变更规则的参数化设计,即给定一个腰围、臀围的变化量就得到一个相应的变更规则,通过调用此变更规则就会自动得出符合这个尺寸的样片,初步实现一人一板,提高了服装的合体度,减少了对样板师的依赖性。     

基于卷积神经网络的领带花型情感分类

为避免传统手工特征和局部特征难以全面表征和准确量化图像情感特征的不足,以领带花型为研究对象,提出了一种融合手工情感特征的基于卷积神经网络的织物图像情感分类方法,可为服饰设计、服装选购等提供辅助。 首先对领带花型图像进行情感评价,建立领带花型图像的情感样本库;然后提取图像饱和度、纹理等手工情感特征和图像像素值作为卷积神经网络的输入;其次建立卷积神经网络模型,将2 000幅样本图像作为训练样本对卷积神经网络进行训练;最后将1 000幅检测样本输入训练后的卷积神经网络,实现了领带花型图像的情感分类。实验结果显示：该方法的情感分类准确率为89.7%,比采用传统手工特征的分类方法有较大提升,较其他卷积神经网络模型正确率更高。     

基于人工神经网络的多指标综合评价方法研究

研究了利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，并以建设工程项目招标评标为背景，建立了相应的多指标综合评价BP模型。引入附加动量法和变步长算法对BP网络算法进行改造，大大提高了标准BP神经网络收敛速度与学习训练速度，为解决多指标综合评价问题提供了一条有效途径。     

基于计算机视觉和人工神经网络预测挤压食品的质构特征

应用计算机视觉系统分别提取不同配方的挤压食品和同一样品不同部位的颜色值(HSI和L*、a*、b*),同时用质构分析仪测定样品质构特征。借助线性拟合模型通过样品的颜色对挤压食品的质构特征进行相关性分析,并利用BP神经网络模型通过颜色预测挤压食品的质构。线性拟合模型显示,硬度和胶粘度分别与a*值和对比度之间高度相关。两组实验中硬度与a*值之间的R2分别为0.9558、0.9429;胶粘度与对比度之间的R2分别为0.9741、0.9619。弹性与a*值和对比度之间具有一定的相关性,两组实验中弹性与a*值和对比度之间的R2分别为0.8675和0.8320。利用实验所得硬度、胶粘度、a*值以及对比度数据优化含有2个隐层的BP神经网络,得到两组实验对应最优网络模型结构,即每层所含神经元的数量分别为20、20,均方根(RMS,%)为4.25;20、40,均方根(RMS,%)为3.85。利用最优神经网络运用a*值和对比度对两组实验中的硬度和胶粘度进行模拟,得到的相关系数高于线性拟合模型拟合结果,两组实验中硬度与a*值之间的R2分别为0.9671、0.9770;胶粘度与对比度之间的R2分别为0.9766和0.9856。采用最优网络模型用颜色信息对挤压食品硬度和胶粘度的预测和验证结果表明,利用计算机视觉系统所提取的颜色值可以通过人工神经网络快速准确预测挤压食品的质构特征。      

Nonlinear predictive control based on artificial neural network model for industrial crystallization

This paper illustrates the benefits of a nonlinear model based predictive control (NMPC) strategy for setpoint tracking control of an industrial crystallization process. A neural networks model is used as internal model to predict process outputs. An optimization problem is solved to compute future control actions taking into account real-time control objectives. Furthermore, a more suitable output variable is used for process control: the mass of crystals in the solution is used instead of the traditional electrical conductivity. The performance of the NMPC implementation is assessed via simulation results based on industrial data.     

神经网络对番茄果奶制作参数优化的研究

在番茄果奶工艺参数设计中,使用BP神经网络模拟参数试验,建立了用计算机取代全面试验和寻找最佳工艺参数的方法。神经网络模拟参数试验的最佳工艺参数为：番茄汁10％、蔗糖9．5％、混合酸0．26％、脱脂乳粉4％。     

An investigation on yarn engineering using artificial neural networks

Abstract

Engineering of spun yarns having specific tensile, evenness and hairiness characteristics is a long-cherished dream of spinning technologists. Selection of suitable raw materials at minimum cost and optimisation of process parameters are the two major tasks to be achieved to manufacture engineered yarn. Advent of high-speed fibre-testing machines and development of powerful modelling tools such as artificial neural network (ANN) have provided a great impetus in the yarn engineering research. This article demonstrates the feasibility of yarn engineering by developing a yarn-to-fibre ‘reverse’ model, using ANN. This approach is entirely different from the prevailing forward models, which predict the properties of final yarn using the fibre properties as inputs. The cost minimisation of cotton fibre mix was ensured by using the classical linear programming approach in combination with ANN. The engineered yarns demonstrated good agreement with the target yarn properties.     

基于智能优化型径向基神经网络的板形模式识别研究

针对传统基于神经网络的板形模式识别方法具有网络精度较低、在线识别速度慢和网络模型建模复杂等技术问题,提出了一种基于智能优化型径向基神经网络的板形模式识别方法.在基于训练数据进行神经网络建模过程中,采用一种改进的粒子群优化控制算法进行网络架构节点数目和网络参数值的离线优化,因而所得方法具有网络结构简单、泛化能力强等优点.仿真实验结果表明,该方法是一种有效板形模式识别方法,有利于提高板形控制精度.     

基于人工神经网络模拟啤酒酿造过程中糖度及乙醇浓度的变化

建立BP神经网络模型模拟啤酒酿造过程中糖度变化和乙醇浓度变化.将啤酒酿造过程中的发酵温度、麦汁浓度、接种量及发酵时间作为输入数据,将糖度变化和乙醇浓度的变化作为输出数据,运用BP神经网络建立啤酒酿造过程的模型.使用此模型模拟了主酵温度8℃、麦汁浓度11°P、接种量为2×107个/mL时糖度变化和乙醇浓度变化,结果糖度预测的均方根误差为2.66％,乙醇浓度预测的均方根误差为14.60％.结果表明,使用此模型能够准确预测啤酒酿造过程糖度变化和乙醇浓度的变化.     

基于列文伯格-马夸尔特-反向传播人工神经网络的X射线荧光光谱定量分析方法

目的建立一种基于列文伯格-马夸尔特-反向传播人工神经网络(Levenberg-Marquardt back-propagation artificial neural networks,LM-BP-ANN)的X射线荧光光谱(XRF)的定量检测分析方法。方法采集84个土壤样品光谱数据,预处理后应用主成分分析(PCA)提取特征参数,随机选取训练集、校正集、预测集样品个数分别为42、21、21。以均方差(MSE)、校正决定系数(R~2)、校正标准差(SEC)、验证决定系数(r~2)、预测标准差(SEP)和相对预测误差(RPD)为评价指标,同时分析比较LM-BP-ANN、BP-ANN、PLS三种算法的建模结果,并利用模型预测土壤重金属含量。结果实验确定隐含层神经元数目、学习率和迭代次数值依次为:6、0.1和8,3种建模方法中LM-BP-ANN效果最优,模型的相关系数高于0.98,表明模型有效。结论模型分析快速,可用于实际土壤样品中重金属含量的检测,对于改进X射线荧光光谱仪的检测准确度有着重要的意义。     

基于人工神经网络法优化河蚌多糖超高压提取工艺

以取珠后的蚌肉为原料,采用超高压方法提取河蚌多糖。利用响应面试验设计获取神经网络所需的训练样本,利用训练成熟的神经网络进行训练和仿真,分析因素(压力强度、料液比和保压时间)以及因素间的交互作用对河蚌多糖得率的影响,并对超高压得河蚌多糖的工艺进行优化。结果表明:人工神经网络法比响应面法的优化准确性高,预测值的可信度较强;超高压提取河蚌多糖最佳工艺条件为:压力强度340 MPa、料液比1:42(g/mL)、保压时间10 min,该条件下的多糖得率预测值为7.18%,实测值为7.12%,相对误差为0.84。该工艺具有短时、高效、环保等优点,为河蚌多糖的开发利用提供技术依据。     

基于人工神经网络的碱性蛋白酶水解乳清蛋白预测模型的建立

乳清蛋白水解物的生物利用价值高,水解度是衡量水解物的重要指标之一。基于人工神经网络方法建立了碱性蛋白酶水解乳清蛋白的水解模型。利用Matlab的nnet工具包中的nftool建立神经网络模型。实验中设置了15个隐藏神经元,选用Levenberg-Marquardt训练算法迭代计算。实验结果表明:测试值与输出值的误差平均较小,拟合回归得到的整体R2=0.97995,测试集合的R2=0.96239,表明神经网络拟合效果和预测能力良好,能够较好地完成水解度预测的目标,选用的测试组的实验结果与神经网络输出值之间的误差均在±3%以内,说明此神经网络预测模型具有较高的预测能力和精度。