基于支持向量機的紡織品安全質量評測方法

李東珂

（西安工程大學 機電工程學院，陜西西安　710048）

紡織加工是一個依賴于專家知識與經驗的過程，智能化方法在紡織生產中的應用還相對較少。近年來，國內外學者已開始研究和應用機器學習的方法預測紡織品質量，劉彬基于遺傳神經網絡預測紗線質量[1]，李翔基于神經網絡預測精仿毛紗性能[2]，Te基于神經網絡預測紡紗工藝性能[3]。目前,依據《國家紡織產業基本安全技術規范GB18401-2010》對紡織品安全質量的評測，還是以人工經驗評測為主。機器學習領域中，支持向量機具有小樣本、結構風險最小、非線性等優點[4-7]，本研究將其應用在紡織品安全質量評測，并相應調整計算模型，使其更適合用于紡織品安全質量評測。

1　支持向量機

支持向量機 (Support vector machine，簡稱SVM) 是基于統計學習理論的一種模式識別方法，它能夠輸出一個將不同類樣本在樣本空間分隔的超平面 。基本思想是把一個低維的線性不可分的問題通過核函數方法轉化為一個高維的線性可分問題。

在機器學習領域，SVM也是一種統計機器學習方法[8-10]，相對于傳統機器學習輸出經驗風險最小，統計機器學習輸出結構風險最小，即經驗風險和置信風險的總和最小。給定一些標記（label）好的訓練樣本 (監督式學習),SVM輸出一個最優化的分隔超平面[11-12]。下面的公式定義了其超平面，表達式如下所示：

式中：W是權重向量，b0是偏差向量，x是離超平面最近的點，這些點被稱作支持向量。

最優超平面可以有無數種表達方式，即任意地改變W和b0的值。由于需要找到最優超平面對樣本數據進行精確的分類，所以要找到最優的W和b0值。

損失函數反應了SVM對樣本分類的真實程度，損失函數最優則最真實。假設超平面表達式f(x)為一個得分，損失函數反應了該得分與標記（label）的匹配程度，表達式如（2）所示。

式中：fyi為正確分類的得分，fj為不正確分類的得分，?為邊界值。該式子表示Syi要比Sj至少多出一個?值，不滿足則計算損失值，此值越小越好。為了防止預測結果過擬合，需要對模型進行正則化。正則化后模型的完整目標函數如下所示。

式中：N為數據量，C為懲罰因子，為正則化損失。在目標函數中加入正則化損失可對大數值權重類進行懲罰，提升其泛化能力，防止模型過擬合。

2　支持向量機的模型選擇

2.1　核函數選擇

確定支持向量機模型，首先要確定其核函數。核函數分為線性核函數，多項式核函數，徑向基（RBF）核函數，Sigmoid核函數，這些函數中應用最廣的是徑向基（RBF）核函數，無論樣本大小，高維低維等情況，RBF核函數均適用，它相比其他的函數有以下優點：

（1）RBF核函數可以將一個樣本映射到一個更高維的空間，而且線性核函數是RBF的一個特例，如果考慮使用RBF，那么就沒有必要考慮線性核函數了。

（2）與多項式核函數相比，RBF需要確定的參數要少，核函數參數的多少直接影響函數的復雜程度。另外，當多項式的階數比較高時，核矩陣的元素值將趨于無窮大或無窮小，而RBF則在上，會減少數值的計算困難。

（3）對于某些參數，RBF和sigmoid具有相似的性能。

結合研究應用方向和樣本數據數量以及特征量不多的情況，綜合考慮下選擇徑向基（RBF）核函數。徑向基核函數公式如下所示。

式中：σ為徑向基核帶寬的調節參數。

2.2　C值尋優

支持向量機中懲罰因子C的選擇也十分重要，懲罰因子也叫松弛變量，其對應未被正確分類的離群點的離群程度，C越大，模型越看重離群點，目標函數損失越大。C的尋優過程如圖1所示。

圖1　C值尋優流程圖

3　仿真分析

本研究將紡織品安全質量信息數據存入數據庫模塊，該數據庫中的信息數據與紡織品安全質量信息對應，為質量預測模塊提供訓練數據，質量預測模塊應用SVM，所以隨著訓練數據的增多，預測結果也會相對的更加精準。表1為懲罰因子C值測試，表2為收集的部分紡織品安全質量性能指標。首先確定懲罰因子C值，選擇20組數據進行訓練時，模型的C值測試如表1所示。根據測試，最終模型選擇懲罰因子C值為5.0。

表1　C值測試

表2　數據庫中部分紡織品性能指標

續表 2

設置好模型參數，將支持向量機用于預測紡織品安全質量等級，預測流程如圖2所示。

圖2　算法預測流程圖

假設數據庫中有50組樣本數據，在訓練時，將40組訓練數據定好對應的標記（質量等級），通過數據庫地址接口傳入SVM模型，每一組訓練數據都可到一個f(x)的值，即“得分”，通過訓練次數的增多，W和b0的值也逐漸調整使得目標函數達到最優，即“得分”與標記有非常好的匹配。再將10組數據作為測試數據送入訓練好的模型中，進行測試，判斷準確率是否達標。此外，還要將訓練數據和測試數據進行交叉驗證，優化模型，提高模型的泛化能力，防止過擬合。本實驗過程應用VS2010+OPENCV庫中SVM和MFC模塊完成，經驗證，用20組數據進行訓練，5組數據進行測試，準確率為82.6%；用40組數據進行訓練，10組數據進行測試，準確率為89.7%。

4　結論

針對紡織品安全質量評測依賴人工經驗的問題，通過仿真分析，建立了評測模型并驗證，提出一種基于支持向量機（SVM）評測紡織品安全質量的方法。該質量評測方法較以往方法更加智能，節省人力，為紡織品生產企業在紡織品的質量控制方面提供了新方案。

[1]劉彬, 項前, 楊建國,等. 基于遺傳神經網絡的紗線質量預測[J]. 東華大學學報(自然科學版), 2013,39(4):504-508.

[2]李翔, 彭志勤, 金鳳英,等. 基于神經網絡的精紡毛紗性能預測模型比較[J]. 紡織學報, 2011, 32(3):51-56.

[3]Su T L, Kuo C F J, Wei H J. Prediction system of openend rotor spinning process based on LM-neural network for bamboo charcoal fibers[J]. Fibers & Polymers, 2011,12(5):657-663.

[4]宋楚平, 蔡彬彬, 李少芹. 基于SVM的紗線生產工藝智能優化研究[J]. 毛紡科技, 2015, 43(7):13-17.

[5]楊建國, 熊經緯, 徐蘭,等. 基于改進極限學習機的紗線質量預測[J]. 東華大學學報(自然科學版), 2015,41(4):494-497.

[6]靳江偉. 基于改進支持向量機的產品質量預測研究[D]. 東北林業大學, 2016.

[7]丁世飛, 齊丙娟, 譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報, 2011, 40(1):2-10.

[8]Jiang X, Lu W X, Zhao H Q, et al. Quantitative evaluation of m ining geo-environmental quality in Northeast China: comprehensive index method and support vector machine models[J]. Environmental Earth Sciences, 2015,73(12):7945-7955.

[9]He K, Li X. A quantitative estimation technique for welding quality using local mean decomposition and support vector machine[J]. Journal of Intelligent Manufacturing,2016, 27(3):525-533.

[10]Hosseinipour S E, Ahmadzadeh M R, Zanjirchi B. Quality Management in Textile through Noble Methodology and Six Sigma[J]. Advanced Materials Research, 2011,332-334:351-355.

[11]Zhang X K, Ding S F, Xue Y, et al. An improved multiple birth support vector machine for pattern classification[J].Elsevier B.V.,2016,11(6):10-16.

[12]Lu Z J, Xiang Q, Li B Z, et al. Support Vector Machine w ith Real Code Genetic A lgorithm for Yarn Quality Prediction[J]. Advanced Science Letters, 2013, 19(8):2468-2472.