基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法技术

本发明专利技术涉及一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，包括以下步骤：筛选输入变量因子；确定预测模型的输入变量组合；确定输出变量；采用极限学习机算法，以输入变量组合为输入，输出变量为输出建立混纺型金属纤维织物屏蔽效能预测模型；将得到的预测模型对织物的屏蔽效能进行预测。本发明专利技术能够快速、精确地预测织物屏蔽效能。

Prediction Method of Shielding Efficiency of Blended Metal Fiber Fabric Based on Extreme Learning Machine

【技术实现步骤摘要】
基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法
本专利技术涉及织物屏蔽效能检测
，特别是涉及一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法。
技术介绍
近年来，金属纤维混纺织物由于其理想的屏蔽效果、良好的服用性能以及低成本，广泛应用于军事、民用及其他领域，具有重要的现实意义和实用价值。屏蔽效能(dB)作为织物对电磁波屏蔽作用的评价指标，一般通过实验测试获得。然而，评价电磁屏蔽织物设计质量的测量需要较长时间的样品制备过程，测试周期较长。此外，测试成本高，所采用的测量方法对测试结果影响较大。基于此，建立有效的电磁屏蔽织物屏蔽效能计算模型进行织物屏蔽效能的预测至关重要。目前，现有的织物屏蔽效能的数学计算模型多是采用时域有限差分法(FDTD)、矩量法(MoM)、有限元法(FEM)和混合方法等多种数值方法以及等效电路技术，然而上述这些方法在忽略纱线间阻抗基础上以织物孔隙参数、电磁参数和电磁波频率为输入变量进行计算，计算过程复杂。同时，织物孔隙的参数包括导电纤维间的孔隙及纱线间的孔隙，难以精确计算。此外，织物的电磁参数在测试过程中也较易因实验设备和操作产生误差。因而，如何建立简便、快捷、高精度的织物屏蔽效能计算模型进行屏蔽效能的预测亟待解决。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，能够快速、精确地预测织物屏蔽效能。本专利技术解决其技术问题所采用的技术方案是：提供一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，包括以下步骤：(1)筛选输入变量因子：采用文献研究法总结影响织物屏蔽效能的织物结构参数，将具有显著性影响的织物结构参数作为输入变量因子；(2)确定预测模型的输入变量组合：在筛选出的输入变量因子中，将重复表达织物特征的输入变量因子确定为待筛选输入变量因子，剩余的输入变量因子确定为确定输入变量因子；通过排列组合，形成多种输入变量组合，并以输入变量组合的精简度及普适性确定预测模型的输入变量组合；(3)确定输出变量：确定电磁波频率范围，选择不同频率点的屏蔽效能确定为输出变量；(4)采用极限学习机算法，以步骤(2)中得到的输入变量组合为输入，以步骤(3)得到的输出变量为输出建立混纺型金属纤维织物屏蔽效能预测模型；(5)将得到的预测模型对织物的屏蔽效能进行预测。所述步骤(1)中将织物覆盖系数、织物组织、经纬密差值、织物厚度、金属纤维含量、纱线较小排列密度、纱线较大排列密度确定为输入变量因子所述步骤(2)中将纱线较大排列密度、纱线较小排列密度、织物覆盖系数和经纬密差值作为待筛选输入变量因子，将织物组织、织物厚度、金属纤维含量作为确定输入变量因子；所述步骤(4)中的极限学习机算法包括输入层、隐含层和输出层，其中，输入和输出之间的关系表示为其中，xj为极限学习机算法的输入，wi为输入层和第i个隐含层神经元之间的连接权值，bi为第i个隐含层神经元的阈值，L为隐含层的神经元个数，βi为第i个隐含层神经元和输出层之间的连接权值，yj为极限学习机算法的实际输出，g(·)为隐含层神经元的激励函数，通过训练极限学习机算法使得极限学习机算法的实际输出零误差逼近期望输出，得到预测模型。有益效果由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术通过建立以织物结构参数为输入变量的混纺型金属纤维织物屏蔽效能的预测模型，实现织物屏蔽效能快速、精确预测，可以为企业电磁屏蔽织物的生产开发提供依据，也可为织物屏蔽效能数学计算模型的建立提供参考，同时也可以扩展神经网络在电磁屏蔽织物领域的应用。附图说明图1是本专利技术中建立预测模型的实施流程图；图2A是极限学习机算法的网络结构图；图2B是极限学习机算法的神经元计算模型图；图3A是实施例中模型1的屏蔽效能实测值与预测值对比图图3B是实施例中模型2的屏蔽效能实测值与预测值对比图；图4A是模型1的屏蔽效能实测值与预测值的相关性示意图；图4B是模型2的屏蔽效能实测值与预测值的相关性示意图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本专利技术的实施方式涉及一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，包括以下步骤：1.确定输入变量因子混纺型金属纤维织物屏蔽效能的影响因素的大量研究表明，织物覆盖系数、纱线排列密度、导电纤维含量、纱线类型、纱线直径、织物组织、经纬密差值为普遍认可的织物屏蔽效能的影响因素。此外，可用来计算有孔金属板、金属网屏蔽效能的较为实用计算公式中采用孔隙的长边长度来计算屏蔽效能，因而本实施方式将决定孔隙尺寸的纱线经纬方向排列密度因素又分成纱线较小排列密度和纱线较大排列密度。最终，本实施方式在纱线类型、纱线直径固定的情况下，将织物覆盖系数(CF)、织物组织(WT)、经纬密差值(△P)、织物厚度(t)、金属纤维含量(CSS)、纱线较小排列密度(PL)、纱线较大排列密度(PB)等七个因素确定为输入变量因子。2.确定输入变量由于纱线较大排列密度(PB)、纱线较小排列密度(PL)、织物覆盖系数(CF)、经纬密差值(△P)等4个因素之间关系紧密，且共同表达了织物松紧、孔隙以及导电性能的情况，故将该4个因素作为待筛选输入变量因子。织物组织(WT)、织物厚度(t)、金属纤维含量(CSS)等3个因素作为确定输入变量因子。输入变量中的织物组织为定性因素，为了方便定量计算，将1/1平纹、2/1斜纹、5/3缎纹、2/2方平织物等四种组织结构类型按照最长浮长线下纱线的根数分别定义为1、2、4、2。由于2/1斜纹组织与2/2方平组织数值相同，而在实际中两种织物组织存在差异，斜纹组织更为紧密，故将2/1斜纹组织重新定义为1.5。将待筛选输入变量与确定输入变量进行排列组合，共形成13种输入变量组合，见图1中的输入变量组合。变量组合1-变量组合5分别包含3个以上待筛选输入变量因子，部分因子间重复表达了织物特征，输入变量组合不够精简，进而会导致预测模型复杂及预测精度降低，故剔除。变量组合10-变量组合13包含1个待筛选输入变量因子，待筛选输入变量因子较少，即使构建的预测模型精度高，但存在无法全面体现织物特征从而导致预测模型的普适性降低的问题，故剔除。变量组合6-变量组合9包含2个待筛选输入变量因子，但变量组合7仅包含纱线排列密度，存在纱线直径未知时无法体现织物松紧程度的问题，导致普适性程度低，故剔除。对比输入变量组合8和组合9，两个输入变量组合的区别为包含的待筛选因子分别为纱线较大排列密度和纱线较小排列密度，综合考虑有孔金属板、金属网屏蔽效能较实用的计算公式常采用孔隙较大边长，认为决定孔隙长边长度的较小排列密度(PL)对织物屏蔽效能模型的建立更为重要，故剔除输入变量组合8。本实施方式根据变量组合的精简度和普适性选定输入变量组合6和组合9为较优变量组合，并将2组输入变量组合作为预测模型的输入变量组合。3.确定输出变量由于频率点较多，本实施方式将频率范围缩减为日常生活常见电磁波频率范围0-3000MHz，并进一步以50本文档来自技高网...

【技术保护点】
1.一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，其特征在于，包括以下步骤：(1)筛选输入变量因子：采用文献研究法总结影响织物屏蔽效能的织物结构参数，将具有显著性影响的织物结构参数作为输入变量因子；(2)确定预测模型的输入变量组合：在筛选出的输入变量因子中，将重复表达织物特征的输入变量因子确定为待筛选输入变量因子，剩余的输入变量因子确定为确定输入变量因子；通过排列组合，形成多种输入变量组合，并以输入变量组合的精简度及普适性确定预测模型的输入变量组合；(3)确定输出变量：确定电磁波频率范围，选择不同频率点的屏蔽效能确定为输出变量；(4)采用极限学习机算法，以步骤(2)中得到的输入变量组合为输入，以步骤(3)得到的输出变量为输出建立混纺型金属纤维织物屏蔽效能预测模型；(5)将得到的预测模型对织物的屏蔽效能进行预测。

【技术特征摘要】
1.一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，其特征在于，包括以下步骤：(1)筛选输入变量因子：采用文献研究法总结影响织物屏蔽效能的织物结构参数，将具有显著性影响的织物结构参数作为输入变量因子；(2)确定预测模型的输入变量组合：在筛选出的输入变量因子中，将重复表达织物特征的输入变量因子确定为待筛选输入变量因子，剩余的输入变量因子确定为确定输入变量因子；通过排列组合，形成多种输入变量组合，并以输入变量组合的精简度及普适性确定预测模型的输入变量组合；(3)确定输出变量：确定电磁波频率范围，选择不同频率点的屏蔽效能确定为输出变量；(4)采用极限学习机算法，以步骤(2)中得到的输入变量组合为输入，以步骤(3)得到的输出变量为输出建立混纺型金属纤维织物屏蔽效能预测模型；(5)将得到的预测模型对织物的屏蔽效能进行预测。2.根据权利要求1所述的基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，其特征在于，所述步骤(1)中将织物覆盖系数、织物组...

【专利技术属性】
技术研发人员：杨雅岚，王建萍，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31