浅谈CTAC论文模版中国纺织学术年会网.doc

　　浅谈CTAC论文模版中国纺织学术年会网 浅谈CTAC论文模版中国纺织学术年会X导读：）中图分类号（小五黑体）：TS131.9（小五宋体）文献标志码（小五黑体）：QuantitativeevaluationmethodforthesignificanceofetersbasedonBPneuralethod for the significance of eters based on BP neural ent of Textiles and Materials, eanultivariate regression significance analysis (MRSA), the BP neural ethod is more exact than MRSA and can be used in the forecast and control of the actual produce and manufacture (小五) Key odel (小五) 基金项目（黑体小五）：国家经贸委创新项目（02CJ-14-05-01）基金名称（基金编号）(楷体小五) 简介（黑体小五）：刘贵（1983—），男，博士生。主要研究方向为毛精纺加工过程建模及其职能决策预报与控制。于伟东，通信，E-mail:ail。 （正文五号宋体,单倍行距）对精毛纺织厂而言,前纺工序作为整个加工过程的第一环节,其加工质量对后道工序将产生直接影响。根据实际生产经验,细纱的条干不匀率和细纱机的断头率相对于末道粗纱的质量呈显著的线性关系[1],故控制前纺各工序的半制品不匀率,特别是末道粗纱的不匀率是毛纺厂十分重要的质量监控措施[2]。目前企业主要以经验为主,通过传统的测量和记录、肉眼观看与估计、设备的调整和人力的补充等原始的方法实现,不能对大量积累和不断产生的数据进行系统整理、综合分析与客观决断,也无法确切地找出产生问题的原因及实际解决方法[3]。本文针对影响粗纱质量的毛条回潮率、毛条含油率、纤维平均直径、直径离散系数、纤维平均长度等13个指标参数,将采集到的企业实际生产数据,运用BPX络建立预测模型,提出利用X络各层间的权重及其分布,计算出各参数对产量质量指标的影响程度,并对比多元回归分析,效果较好。 数、设备加工参数;另一部分为测试数据,来自不同的生产线。任意选80组数据用于模型建立,其中70组用于模型训练,10组作为检验数据,而未参与建模的20组数据则用于对模型的验证。影响前纺粗纱质量的参数有毛条回潮率(X1)、毛条含油率(X2)、纤维平均直径(X3)、直径离散系数(X4)、纤维平均长度(X5)、长度离散系数(X6)、短毛率(X7)、毛条质量(X8)、毛条质量不匀率(X9)、毛条毛粒(X10)、前纺总并合次数(X11)、前纺总牵伸倍数(X12)和粗纱捻系数(X13)[6]。运用BPX路建模分析时,以这些参数作为X络的输入层参数,输入节点数为13,中间包含1个隐层,分别以R1和R2作为X络输出层建立多输入单输出子X组[7] 模式进行预报。隐层节点数的选取根据式(1)[8]进行计算 : S0.51 1 X络定量评价法（四号黑体，3倍行距） BP神经X络(Back-Propagation)是指基于误差反向传播算法的多层前向人工神经X络[4]。对于任何在闭区间的1个连续函数都可以用含有1个隐层的BPX络来逼近,因而1个3层结构的BPX络可以完成任意N维到M维的映射[5]。从其学习过程来输入参数对输出结果的影响完全由X络权值决定,因此,知道X络各层间的权重及其分布,就可计算输入参数的确定度(输入对输出影响作用的相对大小,即贡献率)。依照误差反向传播方法,输入层节点对输出层节点的影响是由各层权值的复合作用。由于输出反映的是其本身,它不需要再进行对后层节点影响大小的区分,故可将其确定度看作是相同的,然后参照反向传播算法从输出层向输入层反向求出各输入参数的确定度。 (1) 式中：m为输入层节点数;n为输出层节点数S 浅谈CTAC论文模版中国纺织学术年会X(2)导读：,一部分从实际生产工艺设计单中提取,主要是工艺流程参2.3模型的验证根据上面训练好的BP神经X络,对20组验图1粗纱CV和单重预报模型训练曲线（小五宋体）Fig.1Robingunevenness(a)andtherovingodel’strainingcurve(小五Rome)证样本数据进行预报检验。首先对这20组数据利用前面的标准 为隐层节点数,本文取隐层节点数为7。这样就可以建立2个13-7-1结构的BP神经X络模型。同时,为消除原变量的量纲不同、数值差异太大带来的影响,需要对原变量作标准化处理。即 Xki?式中 1n21n? Xi??Xki;Sii??Xki?Xi? ?n?1k?1nk?1 k