The invention discloses a prediction method for yarn quality improved BP neural network algorithm based on the fireworks, the fireworks algorithm into the BP neural network, the use of fireworks searching mechanism of BP neural network model of the network weights and threshold optimization selection of input and output indexes, construct the prediction model of FWA BP spinning quality based on the set of step 2 prediction model based on BP FWA spinning quality by learning and training by using standardized data processing, the final completion of the prediction on yarn quality. The invention solves the spinning quality for spinning system caused many factors influence the yarn quality and mutual coupling between the accurate prediction of the difficult problem, and can effectively establish the index and fiber function mapping relation between yarn quality, realize the prediction of yarn quality in the spinning process, improve the quality of management in spinning workshop the level of.
【技术实现步骤摘要】
基于烟花算法改进BP神经网络的纺纱质量预测方法
本专利技术属于纺纱质量预测与控制
,涉及一种基于烟花算法改进BP神经网络的纺纱质量预测方法。
技术介绍
纺纱系统处在高温、高湿以及高电磁等多种因素相互交错的复杂环境中,各因素之间存在相互影响的耦合作用关系,加之纺纱生产加工工艺流程复杂且原材料频繁经历物理化学的改性过程,使得纺织生产过程中的质量预测与传统的纯机械加工的质量预测相比更加具有挑战性。特别地,纤维属性指标呈几何状增长,目前已达到300多个,而且纺纱系统中影响因素纱线质量因素众多且相互之间存在耦合关系,加之纤维属性与纱线质量特征值之间成非线性相关关系,使得在小样本数据训练下利用神经网络建立纺纱质量预测模型的预测结果,难以满足纺纱车间生产管理的实际要求。随着纺纱生产信息化程度的提高,纺织生产过程中积累了大量的原料、工艺、设备等纱线质量数据,这使得大样本数据环境下建立基于神经网络的纺纱质量预测模型成为可能。但是,在大量训练样本数据环境下,随着神经网络预测模型中输入神经元个数和训练样本数据量大幅度增加,神经网络模型收敛速度慢且易陷入局部最优的问题进一步凸显,在很大程度上制约着纺纱质量预测的精度。
技术实现思路
本专利技术的目的是提供一种基于烟花算法改进BP神经网络的纺纱质量预测方法,解决了现有神经网络模型存在的在训练过程中预测精度低且迭代次数高的的问题。本专利技术基于烟花算法改进BP神经网络的纺纱质量预测方法,具体按照以下步骤实施:步骤1,利用烟花算法的寻优机理对BP神经网络模型的网络权重和阈值进行优化,建立一种基于烟花算法优化的FWA-BP神经网络模型; ...
【技术保护点】
基于烟花算法改进BP神经网络的纺纱质量预测方法,其特征在于,具体按照以下步骤实施:步骤1,利用烟花算法的寻优机理对BP神经网络模型的网络权重和阈值进行优化,建立一种基于烟花算法优化的FWA‑BP神经网络模型;步骤2,在步骤1的FWA‑BP神经网络模型的基础之上,选取输入输出指标,构建基于FWA‑BP的纺纱质量预测模型;步骤3,利用经过标准化处理的数据集对步骤2中建立的基于FWA‑BP的纺纱质量预测模型进行学习和训练,最终完成对纺纱质量的预测。
【技术特征摘要】
1.基于烟花算法改进BP神经网络的纺纱质量预测方法,其特征在于,具体按照以下步骤实施:步骤1,利用烟花算法的寻优机理对BP神经网络模型的网络权重和阈值进行优化,建立一种基于烟花算法优化的FWA-BP神经网络模型;步骤2,在步骤1的FWA-BP神经网络模型的基础之上,选取输入输出指标,构建基于FWA-BP的纺纱质量预测模型;步骤3,利用经过标准化处理的数据集对步骤2中建立的基于FWA-BP的纺纱质量预测模型进行学习和训练,最终完成对纺纱质量的预测。2.根据权利要求1所述的基于烟花算法改进BP神经网络的纺纱质量预测方法,其特征在于,所述步骤1中烟花算法的寻优机理对BP神经网络模型的网络权重和阈值进行优化的具体步骤为:步骤1.1,关键参数编码,选取实数向量的编码策略对模型中的关键参数进行编码,记向量X=[x1,x2,…,xD]表示一组待优化的参数,其每一维向量由网络权重和阈值组成,烟花种群的维数为:D=nIW(1,1)+nb(1,1)+nIW(2,1)+nb(2,1),其中,记nIW(1,1)为隐含层与输出层间的权值的个数,nb(1,1)为隐含层神经元阈值的个数,nIW(2,1)为隐含层与输出层间的权值的个数,nb(2,1)输出层神经元阈值的个数;步骤1.2,权重系及阈值初始化,在步骤1.1的基础之上,利用烟花算法中烟花个体xik的位置表示神经网络中的神经元,将神经网络中第k次迭代过程网络l层中第i个神经元与第j个神经元间的权重系数和阈值θi初始化编码成向量X=[x1,x2,…,xD],并利用随机初始化的策略把向量X初始在区间[-1,1]内,则有权重系数wij~U[-1,1],其中,i、j分别指的是网络中第i各神经元节点与第j各神经元节点间的权重,l表示的是这个当前权重所处的网络层数,k表示的是当前的迭代次数;步骤1.3,计算烟花个体的误差,引入适应度函数并利用公式(1)和公式(2)计算平方误差SSE,公式(1)和公式(2)如下所示:其中,t为网络的期望输出,p为网络的层数,s为网络输出单元的个数,y为网络输出值,其具体如下式:其中,xj为网络的输入,wij为网络节点的权重,θi为网络中第i个神经元的阈值且θi=-wi(n+1);步骤1.4,在步骤1.3计算得到的每个烟花个体xi误差的基础上,引入fi(x)函数作为适应度函数,通过适应度函数计算步骤1.2中向量X每一个烟花个体xi的适应度值,适应度函数如公式(3)如下所示,1步骤1.5,烟花种群寻优,在步骤1.4的基础之上,对于每一个烟花个体xi进行爆炸、位移和变异操作,其中爆炸变异操作以及高斯变异映射规则为公式(4)~公式(6),h=Ai×rand(1,-1)(4)exik=xik+h(5)mxik=xik×e(6)其中,Ai为第i个烟花的爆炸半径,h为位置偏移量,xik表示种群中第i个烟花的第k维,exik为第i个烟花经过爆炸后的火花,mxik为xik经过高斯变异后的高斯变异火花,e~N(1,1)的高斯分布;步骤1.6,选择下一代烟花种群,对于步骤1.5中经过爆炸、位移和变异操作后的烟花个体xi,利用步骤1.4中的公式计算每个烟花个体xi的适应度值,并使用公式(7)和公式(8)的选择策略,选择最优的烟花个体组成下一代烟花种群,具体的选择策略为:选择适应度值最小的min(f(xi))个体xk直接为一下烟花种群个体,其余的N-1个烟花个体采取轮...
【专利技术属性】
技术研发人员:邵景峰,马创涛,马晓红,杨小渝,王蕊超,
申请(专利权)人:西安工程大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。