一种基于小样本学习的纱线质量预测方法及相关装置制造方法及图纸

本申请公开了一种基于小样本学习的纱线质量预测方法，涉及纺纱技术领域，该方法通过灰色关联度分析对原棉纤维的特征参数进行筛选，得到能够较好表征原棉纤维性能的关键特征参数。并且，采用粒子群优化算法对支持向量回归模型的超参数进行合理估计，可以有效解决支持向量回归模型的超参数无法直接得到解析解以及传统的经验法、多次试验法等费时且易陷入局部最优，影响模型的质量与泛化能力的问题，进而实现对纱线质量的精确预测，能够有效减少品种翻改时的小样试纺时间以及原料浪费，提高纺纱企业对市场需求的反应速度。本申请还公开了一种基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质，均具有上述技术效果。果。果。

【技术实现步骤摘要】
一种基于小样本学习的纱线质量预测方法及相关装置


[0001]本申请涉及纺纱
，特别涉及一种基于小样本学习的纱线质量预测方法；还涉及一种基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质。

技术介绍

[0002]在纱线生产加工过程中，最终的成纱质量与配棉方案、生产工艺、设备性能等因素存在着密不可分的联系。棉纺企业经常遇到纤维原料批次不同、品种需要翻新等问题，然而基于大规模纺纱数据建立优化配棉模型来预测纺纱质量，往往难以适应目前企业多品种、小批量生产的模式。因此，提供一种适应多品种、小批量生产模式，能够精确预测纱线质量的技术方案已成为本领域技术人员亟待解决的技术问题。

技术实现思路

[0003]本申请的目的是提供一种基于小样本学习的纱线质量预测方法，适应多品种、小批量生产模式，能够精确预测纱线质量。本申请的另一个目的是提供一种基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质，均具有上述技术效果。
[0004]为解决上述技术问题，本申请提供了一种基于小样本学习的纱线质量预测方法，包括：
[0005]通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；
[0006]通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；
[0007]通过训练完成的所述支持向量回归模型预测纱线质量。
[0008]可选的，所述通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数包括：
[0009]对所述原棉纤维的特征参数的样本序列与对应的参考序列进行去量纲化处理；
[0010]分别计算去量纲化处理后所述样本序列中的各个数据与参考序列中对应的参考数据的关联系数；
[0011]根据各所述关联系数，计算得到所述样本序列与对应的所述参考序列的关联程度；
[0012]根据所述关联程度，筛选所述特征参数，得到所述关键特征参数。
[0013]可选的，所述通过粒子群优化算法确定所述支持向量回归模型的超参数包括：
[0014]计算粒子的适应度；所述粒子包括所述超参数；
[0015]当所述粒子的适应度大于历史最优值时，以所述粒子当前的位置作为个体极值；
[0016]当所述个体极值大于全局极值时，以所述个体极值作为全局极值，并以所述全局极值作为所述超参数的值。
[0017]可选的，所述通过粒子群优化算法确定所述支持向量回归模型的超参数还包括：
[0018]根据确定惯性权重；
[0019]根据所述惯性权重更新所述粒子的状态。
[0020]w为所述惯性权重，w
max
、w
min
为所述惯性权重的最大值与最小值，T
current
为当前迭代步数，T
max
为最大迭代步数。
[0021]可选的，所述样本还包括细纱工序的工艺参数。
[0022]可选的，还包括：
[0023]评估所述支持向量回归模型，并在所述支持向量回归模型不满足预设条件时，重新训练所述支持向量回归模型。
[0024]可选的，还包括：
[0025]构建先验知识库，以根据所述先验知识库生成所述粒子。
[0026]为解决上述技术问题，本申请还提供了一种基于小样本学习的纱线质量预测装置，包括：
[0027]特征参数筛选模块，用于通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；
[0028]模型训练模块，用于通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；
[0029]纱线质量预测模块，用于通过训练完成的所述支持向量回归模型预测纱线质量。
[0030]为解决上述技术问题，本申请还提供了一种基于小样本学习的纱线质量预测设备，包括：
[0031]存储器，用于存储计算机程序；
[0032]处理器，用于执行所述计算机程序时实现如上任一项所述的基于小样本学习的纱线质量预测方法的步骤。
[0033]为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于小样本学习的纱线质量预测方法的步骤。
[0034]本申请所提供的基于小样本学习的纱线质量预测方法，包括：通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；通过训练完成的所述支持向量回归模型预测纱线质量。
[0035]可见，本申请所提供的基于小样本学习的纱线质量预测方法，通过灰色关联度分析对原棉纤维的特征参数进行筛选，得到能够较好表征原棉纤维性能的关键特征参数。并且，本申请所提供的纱线质量预测方法，采用粒子群优化算法对支持向量回归模型的超参数进行合理估计，可以有效解决支持向量回归模型的超参数无法直接得到解析解以及传统的经验法、多次试验法等费时且易陷入局部最优，影响模型的质量与泛化能力的问题，进而实现对纱线质量的精确预测，能够有效减少品种翻改时的小样试纺时间以及原料浪费，提高纺纱企业对市场需求的反应速度。
[0036]本申请所提供的基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
[0037]为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为本申请实施例所提供的一种基于小样本学习的纱线质量预测方法的流程示意图；
[0039]图2为本申请实施例所提供的另一种基于小样本学习的纱线质量预测方法的示意图；
[0040]图3为本申请实施例所提供的一种基于小样本学习的纱线质量预测装置的示意图；
[0041]图4为本申请实施例所提供的一种基于小样本学习的纱线质量预测设备的示意图。
具体实施方式
[0042]本申请的核心是提供一种基于小样本学习的纱线质量预测方法，适应多品种、小批量生产模式，能够精确预测纱线质量。本申请的另一个核心是提供一种基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质，均具有上述技术效果。
[0043]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本学习的纱线质量预测方法，其特征在于，包括：通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；通过训练完成的所述支持向量回归模型预测纱线质量。2.根据权利要求1所述的纱线质量预测方法，其特征在于，所述通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数包括：对所述原棉纤维的特征参数的样本序列与对应的参考序列进行去量纲化处理；分别计算去量纲化处理后所述样本序列中的各个数据与参考序列中对应的参考数据的关联系数；根据各所述关联系数，计算得到所述样本序列与对应的所述参考序列的关联程度；根据所述关联程度，筛选所述特征参数，得到所述关键特征参数。3.根据权利要求1所述的纱线质量预测方法，其特征在于，所述通过粒子群优化算法确定所述支持向量回归模型的超参数包括：计算粒子的适应度；所述粒子包括所述超参数；当所述粒子的适应度大于历史最优值时，以所述粒子当前的位置作为个体极值；当所述个体极值大于全局极值时，以所述个体极值作为全局极值，并以所述全局极值作为所述超参数的值。4.根据权利要求3所述的纱线质量预测方法，其特征在于，所述通过粒子群优化算法确定所述支持向量回归模型的超参数还包括：根据确定惯性权重；根据所述惯性权重更新所述粒子的状态。w为所述惯性权重，w
max
、w
min

【专利技术属性】
技术研发人员：章军辉，陈明亮，付宗杰，郭晓满，董接莲，庄宝森，卢狄克，陈大鹏，
申请(专利权)人：无锡物联网创新中心有限公司，
类型：发明
国别省市：