基于PSO 的BP 神经网络纱线条干CV 值预测研究
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第二，将神经网络均方误差作为 PSO 的适应函数，通 过 PSO 算法强大的搜索功能，使网络均方误差最小化［4］。
假设神经网络输入层有 d 个神经元，隐含层有 m 个神 经元，输出层有 n 个神经元，网络共有 d × m + m × n + m + n 个权值及阈值，因而基于 PSO 学习算法中的粒子的维度 就应该为 d × m + m × n + m + n 。 ［5］
当前，应用最为广泛的 BP 算法，由数据流的正向计 算和误差信号的反向计算两个过程构成。在 BP 网络的 学习过程中，输入信号正向传播和误差信号反向传播交 替进行。在正向传播过程中，输入信号先传播到隐含层 节点，经过传递函数作用后，把隐含层节点的输出信息传 播到输出层节点，再经过传递函数作用后得到网络的输 出值，然后比较实际输出值与期望输出值得到误差，由网 络的误差反向传播学习规则调整该网络的权值，减小网 络的实际输出值与期望输出值的误差。
但是，常规 BP 神经网络学习算法，实质是一种简单 的最速下降静态寻优算法，在一定程度上呈现出收敛速
收稿日期：2019-05-16 作者简介：聂琼（1986—），女，硕士，研究方向：纺织计算机方向。
CopyrighΒιβλιοθήκη ©博看网 . All Rights Reserved.
Prediction of CV Value of Yarn Evenness on the BP Neural Network Based on PSO
NIE Qiong （Xinjiang Light Industry Vocational and Technical College，Urumqi Xinjiang 830021）
总 679 期第十七期 2019 年 6 月
河南科技 Henan Science and Technology
信息技术
基于 PSO 的 BP 神经网络纱线条干 CV 值预测研究
聂琼
（新疆轻工职业技术学院，新疆 乌鲁木齐 830021）
摘 要：本文简要介绍了 BP 神经网络所用的 BP 算法，针对 BP 算法的不足之处，采用粒子群优化算法作为 BP
1 基于 PSO 的 BP 神经网络学习算法
BP 神经网络，又被称为逆向传播神经网络，是一种
基于误差反向传播算法（BP 算法）的多层前馈神经网 络。BP 神经网络由一个输入层、若干个隐含层和一个输 出层组成，各层均包含一个或多个神经元，相邻两层神经 元之间通过权值相连接，各层内神经元之间和各层神经 元之间均无连接。通过调整神经网络中的连接权值、阈 值以及隐含层节点数，可以以任意精度逼近任何非线性 函数，且学习算法具有较好的自学习功能。
Abstract: This paper briefly introduced the BP algorithm used in BP neural network. In view of the shortcomings of BP algorithm, particle swarm optimization（PSO）algorithm was used as the learning and training function of BP net⁃ work to optimize the training speed and accuracy of BP network, and the BP network model based on PSO was estab⁃ lished. The optimized BP network model was applied to predict the CV value of yarn evenness, and the performance of the network model was verified. Keywords: feedforward neural network；BP Algorithm；particle swarm optimization；CV Value of Yarn Evenness
因此，纺织企业需要构建一套适用性较强并能对纱线 品质进行预测的模型。以这样的方式，能使企业相关工作 人员结合原棉品质指标以及相对应的生产技术参数指标， 对纱线质量参数进行有效设计与修改。这不仅能有效降 低生产成本，还可以进一步增强纱线品质。基于此，本文 设计了基于粒子群算法（PSO）的 BP 神经网络纱线条干 CV 值预测模型。同时，通过相对应的试验，分析模型对纱线 品质的预测精度，以解决纱线质量预测问题。
目前，对大多数纺织企业而言，生产一种全新产品，必 须要了解其纺纱性能，而这通常需要通过大量的试纺来实 现。而大量试纺必然会造成各种资源的浪费，影响企业的 生产效率，不符合市场对纺织产品生产周期快、产品质量 优的高要求。因此，在实际生产中，需要适时合理地调整 各项工艺参数和原材料，使得产品质量达到最优。而调整 工艺参数所使用的传统的计算方法已不能满足需求。
将 PSO 作为学习算法来优化来优化神经网络关键在 于以下两点［2］。
第一，构建 PSO 粒子的维度空间与神经网络连接权 值之间的映射。粒子群内不同的个体粒子维度分量会存 在与之相对应的神经网络连接权值，即神经网络中有多 少连接权值（其中包括阈值），作为学习算法的 PSO 中的 粒子就有多少维［3］。
·12·
基于 PSO 的 BP 神经网络纱线条干 CV 值预测研究
第 17 期
度较慢的问题，容易陷入局部最小点等不足［1］。因此，本 文采用粒子群优化算法优化 BP 神经网络所采用的 BP 算 法 ，把 粒 子 群 算 法（Particle Swarm Optimization，PSO）与 BP 算法有效结合起来，将 PSO-BP 模型用于纱线条干 CV 值预测技术中。
网络的学习训练函数，优化 BP 网络的训练速度和精度，建立了基于 PSO 的 BP 网络模型。同时，将这种优化后
的 BP 网络模型应用于纱线条干 CV 值预测技术中，验证了该网络模型的性能。
关键词：前馈神经网络；BP 算法；粒子群算法；条干 CV 值
中图分类号：TS104；TP183
文献标识码：A
文章编号：1003-5168（2019）17-0011-03
假设神经网络输入层有 d 个神经元，隐含层有 m 个神 经元，输出层有 n 个神经元，网络共有 d × m + m × n + m + n 个权值及阈值，因而基于 PSO 学习算法中的粒子的维度 就应该为 d × m + m × n + m + n 。 ［5］
当前，应用最为广泛的 BP 算法，由数据流的正向计 算和误差信号的反向计算两个过程构成。在 BP 网络的 学习过程中，输入信号正向传播和误差信号反向传播交 替进行。在正向传播过程中，输入信号先传播到隐含层 节点，经过传递函数作用后，把隐含层节点的输出信息传 播到输出层节点，再经过传递函数作用后得到网络的输 出值，然后比较实际输出值与期望输出值得到误差，由网 络的误差反向传播学习规则调整该网络的权值，减小网 络的实际输出值与期望输出值的误差。
但是，常规 BP 神经网络学习算法，实质是一种简单 的最速下降静态寻优算法，在一定程度上呈现出收敛速
收稿日期：2019-05-16 作者简介：聂琼（1986—），女，硕士，研究方向：纺织计算机方向。
CopyrighΒιβλιοθήκη ©博看网 . All Rights Reserved.
Prediction of CV Value of Yarn Evenness on the BP Neural Network Based on PSO
NIE Qiong （Xinjiang Light Industry Vocational and Technical College，Urumqi Xinjiang 830021）
总 679 期第十七期 2019 年 6 月
河南科技 Henan Science and Technology
信息技术
基于 PSO 的 BP 神经网络纱线条干 CV 值预测研究
聂琼
（新疆轻工职业技术学院，新疆 乌鲁木齐 830021）
摘 要：本文简要介绍了 BP 神经网络所用的 BP 算法，针对 BP 算法的不足之处，采用粒子群优化算法作为 BP
1 基于 PSO 的 BP 神经网络学习算法
BP 神经网络，又被称为逆向传播神经网络，是一种
基于误差反向传播算法（BP 算法）的多层前馈神经网 络。BP 神经网络由一个输入层、若干个隐含层和一个输 出层组成，各层均包含一个或多个神经元，相邻两层神经 元之间通过权值相连接，各层内神经元之间和各层神经 元之间均无连接。通过调整神经网络中的连接权值、阈 值以及隐含层节点数，可以以任意精度逼近任何非线性 函数，且学习算法具有较好的自学习功能。
Abstract: This paper briefly introduced the BP algorithm used in BP neural network. In view of the shortcomings of BP algorithm, particle swarm optimization（PSO）algorithm was used as the learning and training function of BP net⁃ work to optimize the training speed and accuracy of BP network, and the BP network model based on PSO was estab⁃ lished. The optimized BP network model was applied to predict the CV value of yarn evenness, and the performance of the network model was verified. Keywords: feedforward neural network；BP Algorithm；particle swarm optimization；CV Value of Yarn Evenness
因此，纺织企业需要构建一套适用性较强并能对纱线 品质进行预测的模型。以这样的方式，能使企业相关工作 人员结合原棉品质指标以及相对应的生产技术参数指标， 对纱线质量参数进行有效设计与修改。这不仅能有效降 低生产成本，还可以进一步增强纱线品质。基于此，本文 设计了基于粒子群算法（PSO）的 BP 神经网络纱线条干 CV 值预测模型。同时，通过相对应的试验，分析模型对纱线 品质的预测精度，以解决纱线质量预测问题。
目前，对大多数纺织企业而言，生产一种全新产品，必 须要了解其纺纱性能，而这通常需要通过大量的试纺来实 现。而大量试纺必然会造成各种资源的浪费，影响企业的 生产效率，不符合市场对纺织产品生产周期快、产品质量 优的高要求。因此，在实际生产中，需要适时合理地调整 各项工艺参数和原材料，使得产品质量达到最优。而调整 工艺参数所使用的传统的计算方法已不能满足需求。
将 PSO 作为学习算法来优化来优化神经网络关键在 于以下两点［2］。
第一，构建 PSO 粒子的维度空间与神经网络连接权 值之间的映射。粒子群内不同的个体粒子维度分量会存 在与之相对应的神经网络连接权值，即神经网络中有多 少连接权值（其中包括阈值），作为学习算法的 PSO 中的 粒子就有多少维［3］。
·12·
基于 PSO 的 BP 神经网络纱线条干 CV 值预测研究
第 17 期
度较慢的问题，容易陷入局部最小点等不足［1］。因此，本 文采用粒子群优化算法优化 BP 神经网络所采用的 BP 算 法 ，把 粒 子 群 算 法（Particle Swarm Optimization，PSO）与 BP 算法有效结合起来，将 PSO-BP 模型用于纱线条干 CV 值预测技术中。
网络的学习训练函数，优化 BP 网络的训练速度和精度，建立了基于 PSO 的 BP 网络模型。同时，将这种优化后
的 BP 网络模型应用于纱线条干 CV 值预测技术中，验证了该网络模型的性能。
关键词：前馈神经网络；BP 算法；粒子群算法；条干 CV 值
中图分类号：TS104；TP183
文献标识码：A
文章编号：1003-5168（2019）17-0011-03