一种基于成纱质量预测的配棉方法技术

本发明专利技术提出了一种基于成纱质量预测的配棉方法，用于解决现有样本数据量较少且质量差，成纱质量模型难以训练的问题，本发明专利技术的步骤如下：数据预处理：剔除掉数据库中错误的数据，对样本数据进行拟合扩充样本数据；配棉映射关系建模：将成纱的质量指标作为输入因素，原棉的质量指标作为输出因素，通过映射关系矩阵建立样本数据中输入因素和输出因素之间的映射关系模型；基于输出的最优化规则建模：根据建立的映射关系模型，利用主因素分析法或核心因素分析法选择最优输出结果，得到成纱最优的配棉因素。本发明专利技术为后续开展以成纱质量预测体系为基础的应用技术提供模型基础，实现成纱质量预测的实际应用，且降低了成本，提高了经济效益。

【技术实现步骤摘要】
一种基于成纱质量预测的配棉方法
本专利技术涉及电子信息领域海量信息处理及数据挖掘分析的
，尤其涉及一种基于成纱质量预测的配棉方法，数据预处理、数据分析、特征提取、数据建模、算法分析、模型校正等方法选择较优的配棉方法。
技术介绍
在棉纺厂的生产实践中，根据原棉的性能参数需要对成纱质量进行预测。业内的专家学者一直在尝试建立该预测模型，主要有回归统计、竞争神经网络以及模糊数学等方法。数据挖掘的开源软件(WaikatoEnvironmentforKnowledgeAnalysis)利用特征选择法分析了原棉的性能指标对成纱质量的影响，与竞争神经网络相结合对成纱条干、强度等预测。该方法比单一采用竞争神经网络法预测成纱质量相对误差较小。基于遗传算法和主成分分析法与竞争神经网络相结合的棉花性能指标对成纱质量的预测模型。研究中分别采用单一竞争神经网络(模型1)、主成分分析加竞争神经网络(模型2)和主成分分析加遗传算法优化隐层节点数后的竞争神经网络(模型3)。依据实测原棉数据对成纱质量的预报，通过对三个模型预测结果的比较表明：模型3平均相对误差较小；主成分分析降维后最优隐层节点数仍远大于经验公式确定的隐层节点数；基于遗传算法、主成分分析法和竞争神经网络相结合进行原棉成纱质量的预测，在一定程度上能够提高预测精度。在棉纺厂的生产实践中，对成纱质量预测具有重要意义。由于样本数据量较少并且质量参差不齐，不免给成纱质量的预测会带来较大误差，使模型难以训练。
技术实现思路
针对现有样本数据量较小，成纱质量预测模型难以训练的技术问题，本专利技术提出一种基于成纱质量预测的配棉方法，通过数据拟合扩充样本数据，利用主因素分析法或核心因素分析法选择最优的输出结果，从而寻找最优地配棉方法。为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于成纱质量预测的配棉方法，其步骤如下：步骤一：数据预处理：剔除掉数据库中冗余的数据，对样本数据进行拓扑拟合，完善各种情况的样本数据；步骤二：配棉映射关系建模：将成纱的质量指标作为输入因素，原棉的质量指标作为输出因素，通过映射关系矩阵建立样本数据中输入因素和输出因素之间的映射关系模型；步骤三：最优配棉：基于输出的最优化规则建模实施配棉，即根据步骤二建立的映射关系模型，利用主因素分析法或核心因素分析法选择最优输出结果，得到成纱最优的配棉因素。所述步骤一中的样本数据的拓扑拟合方法为：把输入因素的样本数据看作xi，输出因素的样本数据看作是yi，样本数据中有n+1数据点：(x0,y0),(x1,y1),(x2,y2),…,(xn,yn)；输入因素和输出因素的样本数据拟合的方法为：a.计算输入因素的步长：hi＝xi+1-xi(1)b.将数据点(xi,yi)带入矩阵方程求得二次微分值mi；c.计算拟合曲线的系数：ai＝yi，其中，i＝0,1,…,n-1；d.在每个输入因素的子区间xi≤x≤xi+1中，创建方程：gi(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3(3)在子区间xi≤x≤xi+1中均匀选择3-5个点，根据方程gi(x)求解相应的输入因素的样本数据，数据点(x,gi(x))就是拟合的新数值。所述步骤二中的映射关系模型为：其中，xi＝(xi1,xi2,…,xim)是m维的输入因素的向量，yi＝(yi1,yi2,…,yin)是n维的输出因素的向量，为输入因素与输出因素之间的映射关系矩阵。所述主因素分析法的方法为：对输入因素和输出因素表示为(xi,yi)，其对应的属性值表示为(φ(xi),pi)；使用非线性映射φ，将输入因素xi变换到高维空间后的输入属性值φ(xi)，pi表示输出决策属性值并令其取+1或-1；则新的实例为(φ(xi),pi)；为使配棉决策划分对所有样本正确配棉并且具备因素分类间隔，就要求满足以下约束条件：其中，w表示当前最优决策分类划分界线相对水平线的倾斜程度，b表示初始的决策属性值；满足这些不等式中的等式的实例点就是所得到的特征因素向量或主要因素向量；上式(5)的分类间隔可计算为：在约束式的条件下最大化分类间隔2/||w||可以通过最小化||w||2的方法来实现；在上述条件式(5)的约束下，求解最优决策分类划分问题表示成如下的约束优化：定义最小化函数(7)，即对式(7)求最小化，并满足约束式(5)，那么可定义一个含约束条件的目标函数L，然后通过对目标函数L求解；定义目标函数L为：式中，α≥0表示约束条件的约束权重因子且α＝(α1,…,αN)，αi≥0是相应第i个输出约束权重因子，N是实例个数，pi是决策属性值；为使目标函数L最小，对式(8)求解，得到和代入到式(8)中，得到：其中，L(α)表示目标函数，αi和αj分别表示对第i个和对第j个输出约束权重因子，pi和pj分别表示第i个和第j个输出决策属性值，φ(xi)和φ(xj)分别表示相应于输入样本xi和xj的映射输入属性值；<·>表示向量的内积；这时，目标函数L(α)变为这里，K(xi,xj)＝<φ(xi),φ(xj)>称为主因素函数；通过极值化式(10)求解，求出的αi为最优解αi*；在实例为特征因素向量或主要因素向量时，αi≠0，且在得出最优α*后，求出最优的w*和b*：这里为输出决策pi＝1时对应的最优输入数据；可求得最优因素决策划分：由于非主要因素向量对应的αi均为0，因此式(11)的求和实际上只对主要因素向量进行；利用最优因素决策划分得出哪些因素是主要因素、哪些因素是次要因素。所述核心因素分析法为：多条输出因素组成的向量[yi1,yi2,…,yin]，选择每列的均值组成一个新的向量把向量看作是核心点向量；输出的多组向量中元素分别与核心点向量的元素对应作方差：然后用方差分别与核心点向量相比较，即方差分别与设定的阈值相比较进行投票，获得投票多的向量为满足条件的最优输出结果。所述映射关系矩阵的校正方法为：输入因素与输出因素的关系为：其中，权重ωi＝[ωi1,ωi2,…,ωim]是输入因素和输出因素在数据归一下过程中产生的，且ωi1+ωi2+…+ωim＝1；通过校正权值实现校正映射关系矩阵RT的目的；权重的校正方法为：ωl＝ωl-1+μ(ωl-ωl-1)；其中，ωl为当前权值；ωl-1为前一次计算得到的权值，初始权值ω0根据样本训练得到经验值，μ为权重的学习率；通过不同的样本数据逐渐调整映射关系RT。所述输出因素的校正方法为：y″＝y1+η(y″-y1)；其中，y″为当前输出值，y1为样本输出值，η为输出学习率；通过不同的样本数据进行机器学习，一定步长迭代后得到比较理想的输出结果。本专利技术的有益效果：提出了数据的筛选、主因素提取、数据延展等预处理方法，这些方法计算简单且稳定性同时收敛性较好等；实施数据建模，充分考虑到输入输出因素之间相互耦合地复杂关系，建立了有效的映射关系模型；对所建立的模型算法进行评估分析，通过针对具体数据模型算法的建立，基本确定了哪些输入因素对输出结果具有主要影响，提出了核心因素或主因素分析配棉建模方法；然后进一步完善模型，实施模型校正，给出了配棉模型误差校正法，使输出结果更加合理准确。本专利技术为后续开展以成纱质量预测体系为基础的应用技术提供模型基础，实现成纱质量预测的实际应用本文档来自技高网...

【技术保护点】
1.一种基于成纱质量预测的配棉方法，其特征在于，其步骤如下：步骤一：数据预处理：剔除掉数据库中冗余的数据，对样本数据进行拓扑拟合，完善各种情况的样本数据；步骤二：配棉映射关系建模：将成纱的质量指标作为输入因素，原棉的质量指标作为输出因素，通过映射关系矩阵建立样本数据中输入因素和输出因素之间的映射关系模型；步骤三：最优配棉：基于输出的最优化规则建模实施配棉，即根据步骤二建立的映射关系模型，利用主因素分析法或核心因素分析法选择最优输出结果，得到成纱最优的配棉因素。

【技术特征摘要】
1.一种基于成纱质量预测的配棉方法，其特征在于，其步骤如下：步骤一：数据预处理：剔除掉数据库中冗余的数据，对样本数据进行拓扑拟合，完善各种情况的样本数据；步骤二：配棉映射关系建模：将成纱的质量指标作为输入因素，原棉的质量指标作为输出因素，通过映射关系矩阵建立样本数据中输入因素和输出因素之间的映射关系模型；步骤三：最优配棉：基于输出的最优化规则建模实施配棉，即根据步骤二建立的映射关系模型，利用主因素分析法或核心因素分析法选择最优输出结果，得到成纱最优的配棉因素。2.根据权利要求1所述的基于成纱质量预测的配棉方法，其特征在于，所述步骤一中的样本数据的拓扑拟合方法为：把输入因素的样本数据看作xi，输出因素的样本数据看作是yi，样本数据中有n+1数据点：(x0,y0),(x1,y1),(x2,y2),…,(xn,yn)；输入因素和输出因素的样本数据拟合的方法为：a.计算输入因素的步长：hi＝xi+1-xi(1)b.将数据点(xi,yi)带入矩阵方程求得二次微分值mi；c.计算拟合曲线的系数：其中，i＝0,1,…,n-1；d.在每个输入因素的子区间xi≤x≤xi+1中，创建方程：gi(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3(3)在子区间xi≤x≤xi+1中均匀选择3-5个点，根据方程gi(x)求解相应的输入因素的样本数据，数据点(x,gi(x))就是拟合的新数值。3.根据权利要求1或2所述的基于成纱质量预测的配棉方法，其特征在于，所述步骤二中映射关系模型为：其中，xi＝(xi1,xi2,…,xim)是m维的输入因素的向量，yi＝(yi1,yi2,…,yin)是n维的输出因素的向量，为输入因素与输出因素之间的映射关系矩阵。4.根据权利要求3所述的基于成纱质量预测的配棉方法，其特征在于，所述主因素分析法的方法为：对输入因素和输出因素表示为(xi,yi)，其对应的属性值表示为(φ(xi),pi)；使用非线性映射φ，将输入因素xi变换到高维空间后的输入属性值φ(xi)，pi表示输出决策属性值并令其取+1或-1；则新的实例为(φ(xi),pi)；为使配棉决策划分对所有样本正确配棉并且具备因素分类间隔，要求满足以下约束条件：其中，w表示当前最优决策分类划分界线相对水平线的倾斜程度，b表示初始的决策属性值；满足这些不等式中的等式的实例点就是所得到的特征因素向量或主要因素向量；上式(5)的分类间隔可计算为：在约束式的条件下最大化分类间隔2/||w||可通过最小化||w||2来实现；在上述条件式(5)的约束下，求解最优决策分类划分问题表...

【专利技术属性】
技术研发人员：王永华，吴青娥，魏春雪，张保威，江豪，孙伟光，邢小帅，冯立增，龚琦，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41