一种基于元学习方法的纱线质量预测方法技术

一种基于元学习方法的纱线质量预测方法，涉及纱线质量预测技术领域，包括如下步骤：步骤1、采采用灰色关联度法分析影响纱线质量的输入参数的权重，并采用互信息算法去除冗余参数；步骤2、通过引入置信度的BiLSTM模型，挖掘输入参数与纱线质量之间的相关性；步骤3、利用元机器学习模型，采用少量纱线质量预测数据进行最终的纱线质量预测。本发明专利技术通过融合灰色管理法与互信息算法实现了特征选择，确保输入数据与纱线质量密切相关，提出引入置信度的BiLSTM模型，挖掘特征与纱线质量之间的关系，通过元学习方法解决纺纱质量预测的样本稀缺问题，提升算法的预测准确率。提升算法的预测准确率。提升算法的预测准确率。

【技术实现步骤摘要】
一种基于元学习方法的纱线质量预测方法


[0001]本专利技术涉及纱线质量预测
，具体涉及一种基于元学习方法的纱线质量预测方法。

技术介绍

[0002]纱线质量预测技术是根据材料的选择、生产工艺、关键参数配置等进行最终纱线质量的预测。由于这些关键参数与最终的纱线质量预测并不是呈简单的线性关系，传统的机器学习算法并不能完全适应于质量预测，因此导致预测的准确率、效率均较低。随着计算机软硬件技术的发展，特别是深度学习方法的出现，对利用人工智能技术进行分类预测带来了新的机遇与挑战，因此能否利用深度学习技术进行纱线质量预测，解决预测技术的适应性与准确性问题，提升纱线质量预测的实用性，对于提升工厂的智能化程度，提高生产效率均有一定的意义。
[0003]目前，国内外也有许多机构针对基于机器学习或者深度学习的纱线质量预测方法进行了研究。东华大学从加工时序对纱线质量影响的角度和通过卷积神经网络中的卷积与时序网络融合，设计了三种模型分别是CNN
‑
BP、CNN
‑
GRNN和CNN
‑
LSTM进行预测。输入参数包括13个棉纤维参数和3个工艺参数。张羽彤等人选择精梳毛纺纱线样本，利用由灰色关联分析法和基于输入对输出影响程度的数据优选方法构成的计算方法，从7项工艺参数中优选出对纱线条干不匀率和断裂强度影响最大的4项工艺参数，建立基于BP神经网络的纱线质量预测模型。Jiang等人提出了一种基于BLS的多层神经网络(MNN)预测纱线的不匀度，选择了26个参数进行预测。
[0004]上述预测方法虽然具有一定程度的技术进步，但还存在如下缺点：
[0005]1.算法精度不高：利用传统机器学习算法或者深度学习算法未能针对纱线质量预测问题进行改进，直接应用会导致现有方法的精度较低。
[0006]2.现有方法通常将大量特征直接输入进模型中，参数量特别大，同时未能有效分析不同参数之间的关系。
[0007]3.现有应用于纱线质量预测的数据量较少，存在样本稀缺问题，现有模型无法深度挖掘少量数据中的复杂关系。

技术实现思路

[0008]本专利技术提供了一种基于元学习方法的纱线质量预测方法，通过融合灰色管理法与互信息算法实现了特征选择，从而确保输入数据与纱线质量密切相关，同时提出引入置信度的BiLSTM模型，挖掘特征与纱线质量之间的关系，消除不同特征中的多重共线性(高度相关)的自变量对于结果的协同影响，通过元学习方法解决纺纱质量预测的样本稀缺问题，提升算法的预测准确率。
[0009]为达到上述目的，本专利技术技术方案为：
[0010]一种基于元学习方法的纱线质量预测方法，包括如下步骤：
[0011]步骤1、采用灰色关联度法分析影响纱线质量的输入参数的权重，并采用互信息算法去除冗余参数；
[0012]步骤2、通过引入置信度的BiLSTM模型，挖掘输入参数与纱线质量之间的相关性；
[0013]步骤3、利用纺织行业的其他质量预测数据以及其他行业的生产质量预测方法进行元机器学习模型的构建，并采用少量纱线质量预测数据进行最终的纱线质量预测。
[0014]优选的，所述的步骤1中，影响纱线质量的输入参数包括棉纤维的纤维直径、纤维长度、棉纤维短绒率、棉纤维比强度、钢丝圈号数、牵倍数、锭子转速、细捻度、成纱细度，预测的纱线质量评估标准为：条干不匀率和断裂强度。
[0015]优选的，所述的步骤1中，首先采用灰色关联法针对所有的输入参数计算各自的权重，并进行排序，在经过数值均一化后，将所有输入参数的最大值作为参考序列，定义为y(k)＝{1，1，1，...，1}，k为输入参数序号，通过公式(1)比较所有不同的输入数据ξ
i
(k)，然后通过公式(2)对于每一个输入参数的权重进行计算：
[0016][0017][0018]公式(1)中，其中x
i
(k)为第k个输入样本的第i个参数，ρ为分辨系数，一般取为0.5；公式(2)中，n为所有样本的数量。
[0019]优选的，所述的步骤1中，针对输入参数的权重排序筛选出前m个输入参数特征集合X，然后通过互信息算法对集合X进行优化，包括如下具体步骤：
[0020](1A)定义计算2个向量的互信息算法如下：给出2个随机变量x和y，x和y的互信息通过概率密度函数p(x)，p(y)，p(x，y)由公式(3)求得：
[0021][0022]公式(3)中，p(x)，p(y)，p(x，y)均为概率密度函数；
[0023](2A)通过公式(4)计算集合S内的输入参数间冗余程度：
[0024][0025]公式(4)中，R为特征之间的互信息，S为所有输入参数的集合，|S|为集合中的输入参数数量，I(x
i
，x
j
)为两个参数的互信息。
[0026](3A)根据灰度关联矩阵按照顺序选择放在集合S中的输入参数，假设已经获得的参数子集为S
m
‑1，则从剩余的参数集X
‑
S
m
‑1中选择一个参数x
j
，保证参数x
j
得到的R(S)为所有选择中最小的，如公式(5)所示：
[0027][0028]公式(5)中，S
m
‑1为参数子集，m
‑
1为S
m
‑1的数量；
[0029]通过公式(5)，最终获得能够使R(S)最小的一个子集。
[0030]优选的，所述的步骤2中，通过引入置信度的BiLSTM模型对不同的输入参数的权重进行分配，采用双向LSTM算法(BiLSTM)，将输入序列的两个方向的的输出进行合并。
[0031]优选的，所述的引入置信度的BiLSTM模型中，首先对所有的输入参数的质量数据进行聚类，辨别质量数据中的噪音帧，对质量数据中与聚类中心距离较大的输入参数赋予较低的置信度，质量数据中与聚类中心距离较小的输入参数赋予较高的置信度；得到置信度之后，将具有置信度的输入参数引入到BiLSTM模型；
[0032]置信度计算方法：对于每一个聚类中心计算其类内的所有参数与聚类中心的距离，并构建K个集合，为了保证距离太远的离群点不会对置信度的计算造成影响。对每一个集合内的所有数据的距离进行高斯均一化；定义j
t
表示对于当前输入参数的置信度，通过公式(6)来计算其值：
[0033]j
t
＝σ(1
‑
d
nomarliz
(x
t
))
ꢀꢀꢀ
(6)
[0034]公式(6)中，σ为激活函数，d
nomarlize
(x
t
)为对于参数x
t
计算其归一化之后的距离；
[0035]BiLSTM的输入门限为i
t
，遗忘门限为f
t
，上一时刻的状态为C
t...

【技术保护点】

【技术特征摘要】
1.一种基于元学习方法的纱线质量预测方法，其特征为：包括如下步骤：步骤1、采采用灰色关联度法分析影响纱线质量的输入参数的权重，并采用互信息算法去除冗余参数；步骤2、通过引入置信度的BiLSTM模型，挖掘输入参数与纱线质量之间的相关性；步骤3、利用纺织行业的其他质量预测数据以及其他行业的生产质量预测方法进行元机器学习模型的构建，并采用少量纱线质量预测数据进行最终的纱线质量预测。2.如权利要求1所述的一种基于元学习方法的纱线质量预测方法，其特征为：所述的步骤1中，影响纱线质量的输入参数包括棉纤维的纤维直径、纤维长度、棉纤维短绒率、棉纤维比强度、钢丝圈号数、牵倍数、锭子转速、细捻度、成纱细度，预测的纱线质量评估标准为：条干不匀率和断裂强度。3.如权利要求2所述的一种基于元学习方法的纱线质量预测方法，其特征为：所述的步骤1中，首先采用灰色关联法针对所有的输入参数计算各自的权重，并进行排序，在经过数值均一化后，将所有输入参数的最大值作为参考序列，定义为y(k)＝{1，1，1，...，1}，k为输入参数序号，通过公式(1)比较所有不同的输入数据ξ
i
(k)，然后通过公式(2)对于每一个输入参数的权重进行计算：入参数的权重进行计算：公式(1)中，其中x
i
(k)为第k个输入样本的第i个参数，ρ为分辨系数，取为0.5；公式(2)中，n为所有样本的数量。4.如权利要求3所述的一种基于元学习方法的纱线质量预测方法，其特征为：所述的步骤1中，针对输入参数的权重排序筛选出前m个输入参数特征集合X，然后通过互信息算法对集合X进行优化，包括如下具体步骤：(1A)定义计算2个向量的互信息算法如下：给出2个随机变量x和y，x和y的互信息通过概率密度函数p(x),p(y),p(x,y)由公式(3)求得：公式(3)中，p(x),p(y),p(x,y)均为概率密度函数；(2A)通过公式(4)计算集合S内的输入参数间冗余程度：公式(4)中，R为特征之间的互信息，S为所有输入参数的集合，|S|为集合中的输入参数数量，I(x
i
,x
j
)为两个参数的互信息。(3A)根据灰度关联矩阵按照顺序选择放在集合S中的输入参数，假设已经获得的参数子集为S
m
‑1，则从剩余的参数集X
‑
S
m
‑1中选择一个参数x
j
，保证参数x
j
得到的R(S)为所有选择中最小的，如公式(5)所示：
公式(5)中，S
m
‑1为参数子集，m
‑
1为S
m
‑1的数量；通过公式(5)，最终获得能够使R(S)最小的一个子集。5.如权利要求4所述的一种基于元学习方法的纱线质量预测方法，其特征为：所述的步骤2中，通过引入置信度的BiLSTM模型对不同的输入参数的权重进行分配，采用双向LSTM算法(BiLSTM)，将输入序列的两个方向的的输出进行合并。6.如权利要求5所述的一种基于元学习方法的纱线质量预测方法，其特征为：所述的引入置信度的BiLSTM模型中，首先对所有的输入参数的质量数据进行聚类，辨别质量数据中的噪音帧，对质量数据中与聚类中心距离较大的输...

【专利技术属性】
技术研发人员：李臻，张元明，姜伟，潘守润，徐磊，夏雷鸣，
申请(专利权)人：青岛大学，
类型：发明
国别省市：