基于BP神經(jīng)網(wǎng)絡的牛仔織物上漿率預測研究

黃馬壯，田 磊，易長海，2

（1.廣東省均安牛仔服裝研究院，廣東 佛山528329；2.武漢紡織大學，湖北 武漢430200）

牛仔布經(jīng)紗上漿是牛仔布生產(chǎn)過程的一個重要環(huán)節(jié)，在生產(chǎn)過程中受到多種工藝因素的影響，其中主要可控因素為漿液濃度、漿槽溫度、漿紗機速度和壓漿輥壓力。在漿紗過程中各工藝參數(shù)對上漿率都有不同程度的影響，而不同品種牛仔織物的原紗和織物其上漿率亦不同，因此在確定牛仔漿紗工藝時就應對其上漿率有準確的估測，以保證漿紗的可織性［1］。

本文采用BP神經(jīng)網(wǎng)絡建立工藝參數(shù)與上漿率之間的關(guān)系，根據(jù)已確定的工藝參數(shù)對上漿率進行預測，最后根據(jù)上漿率的大小調(diào)整工藝參數(shù)，從而保證準確控制上漿率。

1 BP神經(jīng)網(wǎng)絡概言

BP神經(jīng)網(wǎng)絡，即誤差反向傳播神經(jīng)網(wǎng)絡，是神經(jīng)網(wǎng)絡模型中應用最廣泛的一種［2－3］。它由輸入層、隱含層和輸出層構(gòu)成。假設BP神經(jīng)網(wǎng)絡每層有N個節(jié)點，作用函數(shù)為非線性的Sigmoid型函數(shù)，一般采用f（x）＝1／（1＋e－x），學習集包括M個樣本模式（Xp，Yp）。對第P個學習樣本（P＝1，2，...，M），節(jié)點j的輸入總和記為netpj，輸出記為Opj，則：

如果任意設置網(wǎng)絡初始權(quán)值，那么對每個輸入樣本P，網(wǎng)絡輸出與期望輸出（dpj）間的誤差為：

BP網(wǎng)絡的權(quán)值修正公式為：

上式中引入學習速率η，是為了加快網(wǎng)絡的收斂速度。通常權(quán)值修正公式中還需加一個慣性參數(shù)a，從而有：

式中，a為一常數(shù)項，它決定上一次的權(quán)值對本次權(quán)值的影響。

2 上漿率預測模型的建立與訓練

2.1 樣本數(shù)據(jù)的選擇

采用奔達紡織集團漿紗工藝的實際生產(chǎn)數(shù)據(jù)，其中樣本品種為純棉精梳紗卡，漿紗設備為祖克漿紗機（采用雙漿槽）。根據(jù)以上原則，該網(wǎng)絡模型只適用于純棉精梳紗卡這一品種。樣本產(chǎn)品原料相同，織物規(guī)格（包括經(jīng)緯密度、經(jīng)緯紗線密度、幅寬等）不同，因而上漿率大小有所差別。漿液濃度、漿槽溫度、漿紗機速度和壓漿輥壓力4個因素作為輸入向量，上漿率為輸出向量。具體工藝參數(shù)如表1所示。

2.2 建立BP神經(jīng)網(wǎng)絡模型

第一，首先確立網(wǎng)絡的結(jié)構(gòu)，設置合理的網(wǎng)絡參數(shù)（如學習速率），進行網(wǎng)絡權(quán)值及閾值初始化。

表1 漿紗工藝參數(shù)及上漿率

采用3層BP神經(jīng)網(wǎng)絡：第一層是輸入層，輸入表1中1～10號共10個樣本，每個樣本有5個相關(guān)因素，分別是漿液濃度、漿槽溫度、漿紗機速度、壓漿輥壓力（I，II），因此輸入層設定5個神經(jīng)元；第二層是隱含層，隱層神經(jīng)元節(jié)點數(shù)是根據(jù)網(wǎng)絡模型訓練時所產(chǎn)生的誤差大小而確定的；第三層是輸出層，由于輸出參數(shù)只有上漿率，因此輸出層設1個神經(jīng)元節(jié)點。

第二，確定模型所需的訓練樣本，對每個樣本重復步驟第三～第六。

第三，計算網(wǎng)絡的實際輸出。

每個神經(jīng)元上作用的函數(shù)常用Sigmoid型非線性函數(shù)：

其中，ωkj為從神經(jīng)元Uk到上一層的神經(jīng)元Uj的連接權(quán)重值；Oj為神經(jīng)元Uj的輸出，netk為神經(jīng)元Uk的輸入值；Ok為Uk神經(jīng)元的輸出；θk為神經(jīng)元Uk的閾值。由式（7）和式（8）計算神經(jīng)元Uk的輸入值和輸出值。中間隱層和輸出層的神經(jīng)元的輸入／輸出也采用這種計算方法。

第四，計算網(wǎng)絡的反向誤差。若樣本容量是k，n是輸出節(jié)點個數(shù)（在此n＝1），網(wǎng)絡的收斂目標是網(wǎng)絡輸出層的輸出值與實際值的總誤差最小。

第五，權(quán)重學習，修改各層的權(quán)重值和闞值。

當誤差不滿足精度要求時，將方差對權(quán)重偏導，按梯度下降法修正層間權(quán)重值，不斷迭代，致使直到滿足精度E～0為止。權(quán)值的調(diào)整按下述方法進行，其中，η為學習速率。

式（12）中，為所有與隱層的神經(jīng)元相連的輸出層神經(jīng)元Wli的反傳誤差，于是權(quán)值的修正公式為：

第六，若滿足精度要求，可對上漿率進行預測，否則轉(zhuǎn)向第二。

這里神經(jīng)網(wǎng)絡模型采用DPS數(shù)據(jù)處理系統(tǒng)的BP神經(jīng)網(wǎng)絡模型實現(xiàn)有指導下的訓練，即以10組數(shù)據(jù)作為直接訓練數(shù)據(jù)，2組數(shù)據(jù)作為訓練檢驗和驗證數(shù)據(jù)。學習算法采用動量法，學習率采用自適應調(diào)整算法。進入BP神經(jīng)網(wǎng)絡訓練時，可按網(wǎng)絡結(jié)構(gòu)確定網(wǎng)絡參數(shù)，這里輸入層設定5個神經(jīng)元，隱含層l層，隱層神經(jīng)元節(jié)點數(shù)為20，Sigmoid參數(shù)為0.9，允許誤差0.0001，最大訓練次數(shù)2000，并對輸入節(jié)點的數(shù)值進行標準化轉(zhuǎn)換。

反復訓練調(diào)整網(wǎng)絡參數(shù)后確定該模型采用Lvenberg Marquardt算法，訓練函數(shù)為trainlm。該網(wǎng)絡的隱含層節(jié)點采用logsig作為傳遞函數(shù)，輸出層節(jié)點采用purelin作為傳遞函數(shù)［5］。

圖1為網(wǎng)絡訓練過程的誤差變化曲線圖。實驗發(fā)現(xiàn)，模擬復雜程度不高的非線性關(guān)系采用這種網(wǎng)絡結(jié)構(gòu)可以達到比較好的效果，在訓練10次后精度已達到10－4，該網(wǎng)絡模型能滿足預設精度，訓練成功。

圖1 網(wǎng)絡訓練過程的誤差變化曲線圖

3 網(wǎng)絡模型預測結(jié)果與分析

BP網(wǎng)絡運行多次后（這里隱層神經(jīng)元個數(shù)取12），樣本誤差為0.000105。學習訓練樣本組（1＃～10＃）的擬合值與實保實驗值如圖2所示，以及根據(jù)BP神經(jīng)網(wǎng)絡對檢驗和驗證組（11?！?3＃）進行的預測的結(jié)果與實際實驗值的比較如圖3所示。

表2 預測上漿率與實際上漿率對比

表2預測結(jié)果表明：運用BP神經(jīng)網(wǎng)絡模型對上漿率進行預測，具有較好的準確性（系統(tǒng)測試相對誤差tmse＝0.0222），不僅對學習樣本的擬合程度高，而且3個檢驗和驗證樣本的預測結(jié)果與實驗值非常接近。隨著更多實驗數(shù)據(jù)的積累和網(wǎng)絡的不斷訓練，會進一步減少網(wǎng)絡訓練時的振蕩，使得預測結(jié)果波動范圍不斷減小。

4 結(jié)語

4.1 應用BP神經(jīng)網(wǎng)絡網(wǎng)絡模型對上漿率進行預測，預測上漿率與實際上漿率非常接近，可以滿足實際生產(chǎn)要求。

4.2 BP神經(jīng)網(wǎng)絡模型能夠比較準確地反映漿紗各工藝參數(shù)與上漿率之間的映射關(guān)系，運用該模型對上漿率進行預測，誤差在實際生產(chǎn)要求的范圍之內(nèi)，為漿紗工藝的確定提供了科學依據(jù)。

4.3 本模型可以通過擴充樣本數(shù)量以及增加樣本種類來提高系統(tǒng)的精度，從而對實際生產(chǎn)起到指導作用。

［1］朱蘇康，陳元甫.織造學［M］.北京：中國紡織出版社，1996.

［2］張立明.人工神經(jīng)網(wǎng)絡的模型及其應用［M］.上海：復旦大學出版社，1995.

［3］焦李成.神經(jīng)網(wǎng)絡系統(tǒng)理論［M］.西安：西安電子科技大學出版社，1990.

［4］Kandel E R and Schwarts J.Principles of neural science［M］.Amsterdam：Elsevier，1985.

［5］從爽.面向Matlab工具箱的神經(jīng)網(wǎng)絡理論與應用［M］.合肥：中國科學技術(shù)大學出版社，1998.

［6］劉長勝.基于BP神經(jīng)網(wǎng)絡的服裝質(zhì)量預測及其前景［J］.山東紡織科技，2010，（4）：38－41.

［7］張國強.BP神經(jīng)網(wǎng)絡在紡織服裝上的應用［J］.山東紡織科技，2013，54（2）：37－40.