基于BP神经网络的织物斜向弯曲性能的预测

 针对织物斜向弯曲刚度传统数学模型预测精度较低的实际情况，选择若干块织物沿纬向到经向每隔10°进行弯曲性能测试，应用基于梯度的降算法的BP神经网络对织物斜向弯曲刚度进行预测，并用误差平方和作为指标进行检验和比较。实验结果表明：该网络模型能够有效预测织物斜向任意角度的弯曲刚度；与传统的数学模型相比，该网络模型的精准度和泛化能力更高，可为织物斜向弯曲刚度的预测提供一种新的客观评价方法。     

预测织物热传递性能上的BP神经网络应用研究

织物的热传递性能是评价服装舒适性的重要指标之一。纤维性质 ,纱线结构与性质 ,以及织物的结构与性质 ,均会影响织物的热传递性能 ,它们之间存在着复杂的非线性关系。主要对神经网络求解织物热传递问题进行了深入研究。利用计算机建立神经网络模型 ,选择最佳网络参数并对网络进行训练。通过应用实例 ,提出了处理实验数据的方法 ;并通过建立大量的BP网络进行比较 ,来提高训练速度和仿真精度 ,筛选出最具应用价值的网络。     

基于BP神经网络织物疵点检测识别

根据疵点的特征对简单的织物疵点进行识别,先采用直方图均衡化、小波分解、二值化等方法对织物图像进行一系列的预处理,然后提取出织物疵点的特征值,再利用3层BP神经网络对织物疵点进行训练识别分类,试验结果表明识别率达95％。     

真丝绸透气性能的BP神经网络预测研究

采用BP神经网络技术建立和训练反映织物结构参数与织物透气性能之间关系的三层神经网络模型，对比预测值和实验值，表明用神经网络方法预测丝织物透气性能有相当的准确性。     

精纺毛型织物弯曲性能预测途径探讨

实验研究差别化纤维长丝织物弯曲性能的预测公式对毛型织物的适用性。研究表明绝大多数单层毛型织物的弯曲性能对纱线织物结构的依赖关系与差别化长丝织物有类似的规律 ,得到单层毛型织物弯曲性能的预测公式。并对双层织物、高密织物及弹力织物的弯曲性能作了初步探讨。     

织物的弯曲性能

用线性粘弹理论对织物在小弯曲变形情况下的弯曲性能作了分析。假定织物的弯曲行为是粘弹性的,具有内摩擦约束,内摩擦弯矩与弯曲曲率成正比。织物流变模型由标准线性固体模型和一个摩擦元件并联组成。通过分析曲率周期性变化时的弯曲行为,建立了弯曲性能与模型参数之间的关系。利用实验所得到的模型参数对表征织物弯曲性能的指标进行计算,理论计算与实验结果相符。     

基于BP神经网络的牛仔织物上浆率预测研究

文章采用MATLAB 7.0环境编程,充分利用人工神经网络对非线性系统很强的模拟能力以及根据具体问题灵活处理的柔性的网络结构来研究基于BP神经网络的牛仔织物上浆率的预测。     

BP神经网络预测棉织物悬垂性能

采用BP神经网络技术建立和训练反应织物结构参数与织物悬垂性能之间关系的三层神经网络模型，对比预测值和实验值，表明用神经网络方法预测棉织物悬垂性能有相当的准确性。     

预测织物拉伸性能的 BP 网络方法

在介绍织物结构力学研究途径和人工神经网络模型建立方法的基础上,提出织物拉伸性能研究的ＢＰ神经网络方法,建立织物拉伸性能预测的ＢＰ算法模型,给出该模型的评价方法。     

染整加工中织物结构变化对其弯曲性能的影响

为改善涤纶衬里织物的弯曲性能,确定织物在染整加工中结构变化对其弯曲刚度产生的具体影响,通过实验室模拟染整生产工艺,改变生产工艺条件,使织物在不同缩率和碱减量率下发生结构参数变化,获得不同的织物结构及弯曲刚度,并通过多项式回归分析确定织物结构参数与弯曲刚度之间的关系,建立一元、多元非线性回归方程。根据染整加工中变化的织物结构参数,采用BP神经网络预测织物弯曲刚度,相对误差较小,预测精度较高。     

BP神经网络预测降落伞绸透气性的研究

透气性是降落伞绸的重要性能指标。降落伞绸织物的纱线线密度和织物密度、厚度、面密度及织物组织等结构参数与其透气量存在非线性的关系,由于织物结构各参数间的非线性关系及多个影响因素共同对织物的透气性能的作用,织物结构参数与其透气性能之间很难用传统数学、力学的方法来描述。人工神经网络能够处理复杂的非线性关系。本课题研究了利用人工神经网络来预测降落伞绸织物的透气性能,以期代替传统的测试方法,从而在新品种设计时对织物的参数设定提供指导。     

BP神经网络预测环境对丝织物力学性能的影响

为研究环境中湿度、温度和pH值以及它们之间的交互作用导致丝织物老化的问题,建立BP神经网络模型,预测环境因素对丝织物力学性能的影响.首先采用L9(34)正交试验设计湿度、温度和pH值的交互环境,并将丝织物置于交互环境中进行24 h的连续老化处理.再使用3365型Instron万能材料试验机测试丝织物老化后的断裂强力,并将断裂强力值作为BP神经网络的训练样本,建立3层的神经网络模型进行迭代训练以及预测.结果显示训练输出值与实际试验值的相对误差均小于0.005％,表明BP神经网络模型可有效地对丝织物的力学性能进行预测.     

Predicting bending rigidity of woven fabrics using adaptive neuro-fuzzy inference system (ANFIS)

Predictability of the bending rigidity of cotton plain-woven fabrics from their structural parameters has been investigated using an adaptive neuro-fuzzy inference system (ANFIS) approach. A set of cotton grey fabrics meant for apparel end use was desized, scoured, and relaxed. The fabrics were then conditioned and tested for bending properties. Fabric weight, fabric thickness, and fabric cover constituted the input parameters for the model, whereas overall bending rigidity of the fabric was the single output parameter. Fabric data-set has been modeled using ANFIS and its prediction potential is compared with that of an artificial neural network (ANN) model. A sensitivity analysis was also carried out to investigate the robustness of developed model. Results show that the learning capability of the ANFIS model is superior and its generalization ability is slightly better than that of a standalone ANN model.     

纱线和织物的弯曲刚度

归纳了纱线和织物弯曲刚度已有的测量方法特征及意义，并简要地阐述了改进单纤维电子强力仪测纱线弯曲性能的方法和实验结果，。同时对影响纱线和织物弯曲刚度的因素分别进行了详细的讨论，提出了解决纱线弯曲性能与织物弯曲性能对应测量方法和建立其间理论关系的重要性。     

基于BP神经网络的织物表面绒毛质量的检测方法

为了对起毛工艺后的织物表面绒毛状态进行客观评定,提出了基于BP神经网络的织物表面绒毛质量的检测方法。以光切成像原理采集绒毛轮廓图像,利用自适应图像分割方法对绒毛区域进行分割,将得到的二值图像应用Freeman链码原理提取织物的上边缘轮廓坐标,以此作为BP神经网络的输入对BP神经网络进行训练,并将训练得到的2组权值根据BP神经网络的计算过程进行验证,提出应用激活函数和训练的权值相结合直接计算的方法。应用基于光切成像原理搭建的绒毛织物检测平台,对4种不同颜色和不同起毛工艺加工后的织物进行检测,准确率为93.02%;且权值的计算结果与网络实际计算结果相符合,因此可以直接利用网络训练的权值做矩阵运算,缩短实际检测的时间。     

基于BP神经网络的仓储小麦的生理生化指标预测

BP神经网络算法在粮食仓储领域拥有巨大的应用价值和潜力。本研究尝试将BP神经网络引入仓储小麦品质预警模型,以天津储粮抽检数据为对象,通过对室内温度的记录,样品水分、淀粉、蛋白质等11项生理生化指标的定期检测,利用BP神经网络算法进行仓储小麦的品质预测与影响分析。仿真结果表明,基于BP神经网络的数据预测方法具有较小的过程误差和较高的结果准确性,为仓储小麦的品质预测提供了一种有效的研究方法。     

基于BP神经网络及其改进算法的织机效率预测

为准确预测纺织厂织布车间的织机效率,提出利用BP神经网络、主成分分析结合BP神经网络(PCA-BP)、遗传算法改进BP神经网络(GA-BP)3种模型预测织机效率,并将GA-BP预测模型与传统BP神经网络和PCA-BP预测模型的预测结果进行对比分析。结果表明:GA-BP对原始数据的拟合度最好,相关系数为0.946 87, 比BP增加了6.42%,比PCA-BP增加了2.61%;GA-BP、PCA-BP、BP这3种网络十万入纬的经停仿真值与期望值间的平均误差分别为0.341 2、0.303 1、0.234 1,误差百分率分别为8.63%、7.67%、5.92%,不同网络结构下织机效率仿真预测值与期望值间的平均误差分别为3.010 9、2.688 4、2.118 9,误差百分率分别为3.51%、3.13%、2.47%;3种模型的预测准确度顺序由大到小为GA-BP、PCA-BP、BP。     

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。     

基于主成分-神经网络预测干洗后织物复合体粘合效果

通过主成分分析,提取了面料和粘合衬性能参数的8个主成分作为新的综合变量。采用BP神经网络技术建立预测干洗后织物复合体粘合效果的3层神经网络模型,运用动量法和学习率自适应调整算法训练模型。通过预测值与试验观测值的比较,表明用主成分神经网络方法预测粘合后织物复合体经干洗后粘合效果具有相当高的准确性,从而在一定程度上证明此方法的可行性。     

不同织物弯曲性能测试仪测试结果的比较

为研究不同仪器弯曲性能测试结果的稳定性及其相关性,选取FAST-2弯曲仪和YG(B)022D型全自动织物硬挺度仪作为对比仪器,测试了15种棉织物、毛织物、丝织物在0°、45°、90°以及135°方向上的弯曲性能,计算了弯曲刚度测试结果的变异系数,并用统计分析方法进行数据处理。结果表明:硬挺度仪对3类织物的测试结果稳定性明显优于FAST-2弯曲仪,差异程度从高到低排序依次是丝织物、毛织物和棉织物;2种仪器对毛织物的测试稳定性均优于其他2类织物,且2种仪器测试结果之间的相关系数达0.945,为强正相关。