基于神经网络的精纺毛纱性能预测模型比较

为比较BP与RBF神经网络对精纺毛纱性能的预测能力,采集前纺与后纺的工艺参数作为输入节点,表征精纺毛纱性能的条干不匀率与断裂强力分别作为输出节点,采用软件计算工具中的反向传播(BP)神经网络、径向基(RBF)神经网络分别建立细纱条干不匀率与断裂强力的预测模型,从统计学角度反映2种模型的预测性能。实验结果表明,在输入样本数较大、输入维数较高、精度要求相同的情况下,RBF神经网络模型的训练速度明显快于BP神经网络模型,但BP神经网络模型的预测性能略优于RBF函数神经网络模型,特别是遇到异常样本时,BP神经网络模型表现出更强的容错能力。     

基于遗传算法和BP网络的精毛纺粗纱质量预报

针对BP神经网络收敛速度慢、容易陷入局部最优解和遗传算法搜索范围广、效率高、鲁棒性强的特点,提出将二者结合用于精毛纺粗纱过程建模和质量预报。将BP网络初始权重和阈值按一定规律串接成字符串作为遗传算法的染色体,通过选择、交叉和变异操作对其优化, 优化后的值作为该BP网络的初始权重和阈值进行二次训练。采用相同的数据训练表明,未优化的BP网络达不到预定精度或陷入局部最优解,经GA优化后收敛速度快且达到了所需精度。粗纱CV值和单重的20组数据预报表明：预报值与实测值间的相对平均误差率由之前的3.56%和3.48%分别降低到2.55%和2.23%;预报值和实测值间的相关系数较之前大为提高。     

用BP神经网络预测精纺毛织物后整理质量

通过确定合理的输入层单元数、隐层节点数,以3层BP神经网络建立了原料、纱线和后整理工艺参数与织物质量间的关系,对实际加工工艺进行预测,获得较满意的效果,证明该方法的实用性;同时建立了织物质量与工艺参数间的关系,并对重要工艺参数进行反演预测,为控制生产提供了指导.     

预报细纱条干不匀率的BP神经网络方法

介绍了BP神经网络及其算法 ,分别建立了两类细纱条干不匀率CV值预报模型 ,并对预报结果分别作了对比分析 ,得出了两类模型的最佳结构 ,从而证明BP神经网络应用于纺纱质量预报的合理性和良好前景。     

预报细纱条干不匀率的BP神经网络方法

介绍了BP神经网络及其算法，分别建立了两类细纱条干不匀率CV值预报模型，并对预报结果分析作了对比分析，得出了两类模型的最佳结构，从而证明BP神经网络应用于纺纱质量预报的合理性和良好前景。     

基于BP人工神经网络的纱线强度CV值预测研究

研究基于BP人工神经网络的纱线强度CV值预测问题。以棉纤维的七项品质指标作为输入参数,以纱线的强度CV值指标作为输出参数,通过使用28组数据分别进行网络模型训练,最终选定纱线强度CV值的模型结构进行预测,验证了BP人工神经网络模型的预测精度。     

BP神经网络在洗毛工艺中的应用

基于BP神经网络方法,建立了洗毛工艺参数与洗毛质量之间关系的模型,对洗毛新工艺进行判别。实验结果表明：网络迅速完成训练,输出误差低于10^-3,模型具有很高的精度和准确性可以用于对洗毛新工艺的判别,为客观准确地制订洗毛工艺提供新思路。     

基于BP神经网络的运动文胸肩带属性与乳房振幅的函数关系

为确定运动文胸肩带的3种属性在人体跑步时对胸部振幅的影响,选取8名被测人员,在其左胸上标记6个测量点,更换不同的肩带进行人体运动测试,记录这些测量点动态的三维坐标,进而得到乳房运动的振幅;利用BP神经网络模型,通过更换不同的网络模型参数,确定运动文胸肩带的3种属性与乳房振幅之间的权值关系。结果表明,选取BP神经网络的传输函数为tansig函数,隐含层神经元个数为21个,训练函数为traingdm作为网络参数时,网络拟合出的乳房振幅值达到了真实值的99.44%;在该网络参数下,分别求得网络输入层到隐含层和隐含层到输出层的权值和阈值,最终得到肩带的3种属性与胸部振幅的正向推理关系式。     

基于BP神经网络的精纺毛织物透气性能的预测

在34种精纺毛型织物实验数据基础上,利用三层BP神经网络方法,建立了织物透气性能与织物结构参数之间的神经网络模型,重新采集7种织物对网络模型进行验证和评估,结果表明:神经网络可以用来预测织物的透气性能指标,织物透气量的预测误差率范围为3%～24.2%,平均误差率为14.3%,最大误差率小于25%,神经网络预测精度受样本大小影响,进一步丰富学习样本后,神经网络的泛化能力可望得到改善.     

近红外光谱协同BP神经网络的泰国茉莉香米掺伪含量快速鉴定

利用近红外光谱协同BP神经网络算法,对泰国茉莉香米及其掺伪样品的近红外光谱进行多元散射校正预处理,挑选出48个特征波长;以特征波长的吸光度为BP神经网络输入层神经元,以样品中泰国茉莉香米的含量为输出层神经元,获得BP神经网络算法的最优结构模型,即为单层隐含层、隐含层神经元数7、隐含层传递函数logsig、输出层传递函数...     

主成分分析的BP神经网络在精毛纺粗纱工序中的应用

1.Textile Materials and Technology Laboratory;Donghua University;Shanghai 201620;China;2.College of Garment and Art Design;Jiaxing University;Jiaxing;Zhejiang 314001;China;3.Cellege of Textiles;Donghua University;Shanghai\ 201620;China     

应用遗传算法优化支持向量回归机的喷气涡流纺纱线质量预测

为探究熟条质量对喷气涡流纺纱线质量的影响,建立了遗传算法优化的支持向量回归机预测模型。模型的输入端参数为熟条的4项指标（条干CV值、回潮率、定量和定量不匀率）,分别对19.7tex 和11.8tex的涤纶/粘胶（67/33）喷气涡流纺纱线进行强力和条干CV值预测试验,同时建立了BP神经网络模型作对比试验。2种模型预测对比分析的结果表明：遗传算法优化的支持向量回归机模型的稳定性和精度要比BP神经网络模型高得多,更适用于描述熟条质量与喷气涡流纺纱线质量（单纱强力和纱线条干CV值）间的非线性关系。     

A new approach for prediction of sewing performance of fabrics in apparel manufacturing using artificial neural networks

Abstract

This paper investigates the use of extended normalized radial basis function (ENRBF) neural networks to predict the sewing performance of fabrics in apparel manufacturing. In order to evaluate the performance of the ENRBF neural networks that could be emulated as human decision in the prediction of sewing performance of fabrics more effectively, it could be compared with the traditional back-propagation (BP) neural networks in terms of prediction errors. There are 109 data sets cover fabric properties measured by using a computerized measuring system, and the sewing performance of each fabric's specimen assessed by the domain experts. Of these 109 input—output data pairs, 94 were used to train the proposed ENRBF and BP neural networks for the prediction of the unknown sewing performance of a given fabric, and 15 were used to test the proposed ENRBF and BP neural networks, respectively. After 10,000 iterations of training of the ENRBF and BP neural networks, both of them converged to the minimum error level. A comparison was made between actual fabric performances during sewing, the experts' advices, and the results of predicting fabric performances during sewing for both networks. It was found that the ENRBF and BP neural networks indicate similar error levels, but the prediction made by the ENRBF neural network is better than the prediction made by the BP neural network in some areas. Both the systems provided better advice than the experts in some areas, when compared to actual sewing performance.     

基于BP神经网络的面包工业化生产发酵程度视觉判定

目的:建立BP神经网络模型来实现对面团发酵成熟度的精准判定.方法:利用机器视觉技术采集并处理面包发酵过程的图片,获取图片的量化信息,建立了一种基于BP(back propagation)神经网络的面包发酵程度预测模型.将时间、面积、瞬时速度、膨胀率、灰度值能量、灰度值相互关系、灰度值均匀性、灰度值对比度,作为输入神经元...     

基于SVM的粮食霉变预测分类方法研究

霉变是导致粮食储藏过程中数量减少、质量降低的重要因素,若能早期预测粮食是否会发生霉变,提前采取处置措施,对保障粮食储藏安全,降低粮食损失具有重要的意义。本文采用支持向量机算法,并通过网格搜索优化参数,分别建立了稻谷和小麦霉变的预测分类模型,以判定在给定水分、温度和储藏时间的条件下是否会发生霉变。实验结果表示,稻谷平均准确率可达96%以上,小麦平均准确率可达92%以上。同时本研究采取不同规模的小样本训练建模,并与BP神经网络模型进行对比,训练结果表明,基于SVM的模型准确率高且表现稳定,明显优于BP神经网络模型。     

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。     

BP神经网络在烟草蚜传病毒病预测中的应用

利用1980~1998年在山东青州调查的数据资料,结合相关气象因子及烟草蚜传病毒病的病情指数,采用BP神经网络方法建立了烟草蚜传病毒病的预测模型。利用该模型对1999~2002年的发病情况进行预测,预测准确度较高。BP神经网络为烟草蚜传病毒病的预测预报提供了一种新方法。