基于机器学习的服装生产线员工效率预测

在服装生产线中,管理者通常凭借直觉和经验进行工人调度和工序编排,缺少基于历史生产相关数据的分析,难以进行产前预判。为此,充分利用历史生产数据,使用机器学习技术科学地预判工人产前效率,以提高生产线的平衡率。首先,收集了某工厂13个订单的526个生产数据并通过分位数划分法对效率进行等级划分。其次,基于生产数据的特征,在员工生产效率预测任务中选择了随机森林集成学习模型,并与其它8个模型进行了综合比较。最后,通过递归式特征消除法,从15个初始特征中筛选出实现模型最大预测性能的最优特征组以优化模型。优化后结果显示,随机森林模型展现出优异的预测性能,在回归任务中,验证集R²值为0.836,而均方根误差值为0.116;在分类任务中,其验证集平衡F分数值为0.823。研究结果表明,使用随机森林模型可以实现产前工人效率的有效预测,预测结果可避免管理者在调度时做出错误决策,同时为生产线的优化和柔性调度提供参考。     

建立基于大数据分析的叶丝切丝含水率预测模型

卷烟加工过程中,叶丝切丝含水率（烘丝机入口含水率）对成品烟丝的感官质量及烟草制品的综合质量指标有重大影响,是烟叶生产加工中一项重要的质量评价指标。本文介绍切丝含水率相关工序大数据样本的挖掘方法及多元线性回归、MLP神经网络算法的基本原理;给出使用SPSS软件建立多元线性回归分析及MLP神经网络预测模型的具体操作步骤;将多元线性回归分析及MLP神经网络预测模型的准确性进行比较,该模型被应用于预测叶丝切丝含水率。预测值和实际值的误差在0.3%以下。其中MLP神经网络预测模型的预测准确度高于多元线性回归分析预测模型,表明MLP神经网络预测模型预测叶丝切丝含水率有更强的指导性和有效性。     

基于偏最小二乘法的烟叶切丝后含水率的预测及应用

基于偏最小二乘法对影响切丝后含水率的12个因素进行建模分析,结果表明,各因素对切丝后含水率的影响程度不同:松散回潮出口含水率加料出口含水率贮叶柜温度车间相对湿度(切丝时)车间温度(切丝时)加料出口温度松散回潮出口温度松散回潮热风温度贮叶时间加料前HT蒸汽流量贮叶柜相对湿度加料流量;偏最小二乘法回归模型的拟合相关性较强;通过实际生产验证,通过预测切丝含水率来预判其是否满足指标范围要求的准确度较高。此方法可以为制丝生产过程切丝后含水率的预测和控制提供理论依据和生产指导。     

基于神经网络的甘蔗制糖结晶过程预测

本文针对甘蔗制糖结晶控制过程中由于传感器失灵引起的变量及参数不可测的问题,建立一个甘蔗制糖结晶过程的神经网络模型。该模型以温度、锤度和纯度一些主要变量为输入,煮糖的结晶速度为输入。用一组历史数据作为学习的样本,根据ＢＰ算法对网络的权值进行训练,以达到逼近实际煮糖过程的目的。这样就可以间接得出蔗糖的结晶速度,从而可以控制制糖的时间,便于实现制糖的自动化。     

基于机器学习的整体穿刺加压参数预测方法

针对整体穿刺加压密实过程中碳布回弹导致平均层高波动范围较大,影响立体织物性能的问题,提出一种基于机器学习理论的加压参数预测方法,将平均层高与加压参数之间复杂建模转换为多元回归问题,使用适合计算机运算的无约束优化迭代方法求解。基于scikit-learn类库对特征变量进行特征选择,对比6种回归模型的预测性能得分后选择K近邻回归作为基学习器,使用集成算法提升模型的预测性能。预测模型部署到生产环境后的实验结果表明:使用机器学习预测后,加压参数对整体穿刺过程平均层高均值变化的响应速度得到提高,且均值变化幅度得到降低,实验样本平均层高波动范围均值从12.0%降低至6.8%,标准差从0.008 3降低至0.006 6。     

基于小波神经网络的径流预测方法分析

针对黄河某水文站实测年净流量的时间序列水文样本,采用归一化的方法处理,使其作为小波神经网络的训练样本,以改善网络的泛化能力,加速网络收敛速度,进而构建小波神经网络水文预测模型。并与回归分析等预测方法比较,结果表明,小波网络水文预测方法能够获得准确的预测结果,为水文系统的预测预报提供新的有效途径。     

基于小波神经网络的径流预测方法分析

针对黄河某水文站实测年净流量的时间序列水文样本,采用归一化的方法处理,使其作为小波神经网络的训练样本,以改善网络的泛化能力,加速网络收敛速度,进而构建小波神经网络水文预测模型。并与回归分析等预测方法比较,结果表明,小波网络水文预测方法能够获得准确的预测结果,为水文系统的预测预报提供新的有效途径。     

基于PCA-BP算法的智慧建筑空调能耗预测

近年来,智慧建筑的空调能耗越来越重视向节能化发展。受气象参数和建筑参数等多种环境因素影响导致传统的SVM、Tree、Linear Regression、BP神经网络等算法不能准确的预测空调能耗,提出一种基于PCA(principal Component Analysis)-BP(Back Propagation)神经网络的融合算法来能耗预测。通过模型仿真试验,得出PCA-BP融合算法空调能耗预测的误差均方根为0.0056k Wh,预测准确度较传统BP神经网络算法提高了45.4%。     

基于BP神经网络方法的高大平房仓温度场预测研究

国家粮食储备多以平房仓为主要存储仓型,储粮粮堆在夏季时受到外界持续传热而会达到较高温度,而且微生物生长繁殖会进一步引起粮堆内部发热,对安全储粮产生危害。为了确保储粮品质,控制储粮温度,粮仓温度场预测系统的研究与应用就愈显重要。基于神经网络模型,以BP神经网络预测模型为主要研究对象,并选取典型高大平房仓实际粮情监测数据为实例,在MATLAB平台进行仿真,通过实测数据进行训练,构建实测模型。分析了粮食温度场的影响因素,采用SPSS统计学软件确定了影响因素的权重大小,并采用神经网络方法验证了主成分分析的结果。     

基于改进粒子群算法的平房仓粮温BP神经网络预测模型建立

在传统的BP神经网络预测模型的基础上引入改进的粒子群算法对神经网络中的权值和阈值进行不断优化,针对平房仓内部不同温度监测点处的粮食温度建立预测模型,改进后的粒子群算法拥有更好的局部寻优能力和全局寻优能力,较传统的BP神经网络预测拥有更精确的预测精度,更小的预测误差,使优化后的BP神经网络能快速的从历史粮温中总结平方仓粮温变化规律,实现平房仓粮温的预测。     

人工神经网络在相对湿度预测中的应用研究

相对湿度环境是农业生产监测与预测的重要内容,关系到植物的生长状况、多种病害的生态防治和灌溉措施的调节。针对相对湿度变化规律相当复杂,影响因素间非线性程度相当高,为了提高相对湿度预测精度,提出一种基于BP人工神经网络的相对湿度预测模型。该模型采用气象要素（日照时数、降水量、最小温度、平均温度和最大温度）实测数据作为神经网络的输入样本,并根据试验观测资料对模型进行了检验。结果表明：利用此模型分别对1987~1998年和1999~2000年陵水地区月平均相对湿度进行模拟和预测,相对湿度拟合值与实测值的相对误差为0.21%,相对湿度预测值与实测值的相对误差为0.28%。改进的BP人工神经网络能准确地捕捉相对湿度的变化趋势。运用BP人工神经网络方法进行相对湿度的研究,方法简洁,结果直观易懂,同时也为其他区域相对湿度研究提供借鉴。     

基于蒙特卡洛法评定花生油脂肪酸组成的不确定度

采用蒙特卡洛法(monte carlo method,简称MCM)评定气相色谱法测定花生油脂肪酸组成的测量不确定度。结果表明:花生油主要脂肪酸组分C16:0的不确定度为10.78%±0.23%,C18:0的不确定度为3.52%±0.08%,C18:1n9c的不确定度为45.75%±0.58%,C18:2n6c的不确定度为32.10%±0.52%,C22:0的不确定度为2.84%±0.07%,MCM法评定测量不确定度,避免对测量模型求偏导数等复杂的测量推导及不确定度的A类评定和B类评定过程,利用MCM软件可简便快速地求出花生油二十一种脂肪酸组分测量的不确定度,该法为提高实验室不确定度评定能力提供了技术支撑。     

神经网络在粮食储藏领域中的应用概述

粮食储藏安全是保障粮食安全的重要环节,近年来随着科技的快速发展,信息技术成为粮食储藏领域重要的科技支撑技术之一.面对粮食储藏数据的数据量大、多维度等特点,构建数据模型和建立适用的算法是研究的重点,神经网络凭借其自适应性、快速寻优、自学习功能和适合处理复杂数据等特点逐步应用到本领域.本文重点总结神经网络在粮食储藏领域中的...     

基于GA-BPNN算法的碳纸原纸性能指标建模预测研究

本研究通过改变碳纤维长度、碳纤维占比、分散剂用量等工艺参数,制备不同碳纸原纸,探究不同工艺参数对其抗张强度、孔隙率、透气性、电阻率的影响,采用遗传算法改进反向传播神经网络算法（GA-BPNN算法）,构建了碳纸原纸性能预测模型。结果表明,碳纤维长度与碳纸原纸抗张强度、孔隙率、透气性呈正相关,与电阻率呈负相关;碳纤维占比与碳纸原纸抗张强度呈负相关,与孔隙率、透气性、电阻率呈正相关;分散剂用量与碳纸原纸抗张强度、电阻率呈正相关,与孔隙率、透气性呈负相关;碳纸原纸抗张强度、孔隙率、透气性、电阻率预测模型平均相对误差（MRE）分别为5.49%、5.75%、5.21%、5.54%,预测模型MRE均小于10%,与实验得到的工艺参数对碳纸原纸性能的关系趋势一致。     

利用专家规则控制粮库通风的模拟系统

分析了集温度、湿度、通风控制为一体的粮库温湿度检测与控制模拟系统,从软件、硬件和可靠性3个主要方面对粮库湿度检测与控制模拟系统进行了研究与设计,实现了系统温湿度的实时测量、显示、报警和对温湿度检测范围的设定与控制等功能。     

一种基于数值计算的改进BP神经网络加速算法

为增加神经网络收敛的稳定性与收敛速度,提出了一种改进的网络优化加速算法.在权值调整期间加入前N期权值结果,增强了训练的稳定性;使用Steffensen迭代算法进行加速,使网络训练较快地收敛;有效地解决了传统BP神经网络的缺点.进行数值实验,将10幅二值化后的车牌数字字符图片作为训练样本送入改进的网络与传统的BP神经网络中分别进行训练,可以看出传统BP算法在训练过程中出现了振荡且收敛速度较慢.而改进的算法误差稳步下降,没有出现传统算法中振荡的现象,且较传统算法早达到收敛稳定.