應用四層BP神經網絡的棉紗成紗質量預測

查劉根， 謝春萍

(生態紡織教育部重點實驗室(江南大學)， 江蘇 無錫 214122)

紡紗工藝是紡織生產加工過程中一道十分關鍵的工序，紗線品質的高低不僅影響著后道加工工序的效率，也直接決定了最終織物產品的質量。另外，紡紗過程中涉及的參數種類眾多，客戶對紗線品質的要求不同，需要經常對工藝參數進行大量調整，而且從原棉到紗線，中間經過了很長的加工流程[1-2]。然而，目前對于國內大多數紡織企業來說，依據紗線品質指標確定配棉方案和調整加工工藝參數時所采用的手段依然是憑借著歷史生產經驗，而且還需通過進一步的大量試紡來調節和確定最后生產方案，浪費了大量時間和原材料，影響了企業整個生產加工進程。對于我國大多數紡織企業來說，迫切需要找到一種能夠代替歷史經驗的高效智能化的紗線質量預測方法來優化其紡紗工藝，從而提高生產效率和競爭力，合理優化紡紗加工工序，科學地設定生產工藝參數和選擇最經濟的配棉方案，同時要達到客戶及后道工序對紗線品質的要求。

因其突出的優點BP神經網絡用途十分廣泛。其結構簡單，具有很強的自適應學習能力，很好的容錯性，近十幾年來被廣泛應用于數據預測等問題上[3-5]。在進行質量預測問題的建模時，設計者構造的一般都是單隱層的三層神經網絡，因為萬能逼近定理證明三層網絡模型就可完成任意m維和n維之間的映射。

理論上說，隱含層層數的增加會使網絡結構更加復雜化，從而拉長網絡誤差反向傳播的路徑，同時還會降低訓練的效率，但是，考慮到紗線質量預測模型是一個小樣本預測模型，且輸入和輸出單元數較少，所以，本文在進行棉紗斷裂強力和條干CV值的預測時，提出雙隱層的四層BP神經網絡結構，來進行2種模型的訓練和仿真實驗，并與單隱層的三層BP神經網絡進行對比分析。

1 BP神經網絡算法與設計

實際上，標準的BP神經網絡模型結構十分簡單，一共包含3個組成部分，最前面的是輸入參數的輸入層，中間是可具有1個或者多個隱含層的中間層，最后面是網絡的輸出層，提供最后運算結果。BP神經網絡的訓練過程可拆分為2步：第1步是外界輸入信息由輸入層到輸出層的正向傳播；第2步是網絡處理后的誤差信號沿著原來的路徑反向傳播。網絡在傳遞誤差的同時，會進行部分參數的修正，也就是各層之間的連接權值以及隱含層和輸出層的閾值大小都會隨著反傳誤差的傳遞不斷地發生變化，當權值和閾值調整到某個適當值時，訓練誤差將會滿足設計者的要求，此時網路訓練終止[6]。圖1示出一個最基本的BP神經網絡模型。

圖1 基本的BP神經網絡模型Fig.1 Basic BP neural network model

圖中PR為該模型輸入層的第R個神經元，權值WR負責連接前后2層網絡中的神經元，i為輸入層神經元的個數，N為所有神經元輸出的累積，B為網絡的閾值，傳遞函數F定義了網絡的輸入層向輸出層的轉換方式，Y為網絡最后的輸出，可以用下式表示：

Y=F(∑WR∑PR+B)

運用神經網絡對紗線的成紗質量進行預測時，還有一個問題需要注意，由于神經網絡輸入層的輸入變量單位不同，加上各神經元的數據還會相差若干個數量級，如果直接對原始數據進行神經網絡訓練很容易出現信息丟失和計算不穩定的情況，因此，在進行神經網絡預測前，有必要對收集來的原始數據進行標度，進行統一的標準化處理，從而使最后數據的精度達到預先設定的要求，并在一定程度上提高神經網絡的訓練效率[7-8]。本文在構建神經網絡前用logo函數對原始數據進行歸一化處理。

本文數據來自山東某紡織廠的原棉物理指標及細紗質量指標，棉紗均在相同的生產條件(成紗的工藝配置和溫濕度)下紡制。首先構建2個預測模型——紗線斷裂強力模型和條干CV值模型(2個模型除輸出參數不同外，輸入參數和網絡的結構均保持一致)，然后用MatLab分別構造1個單隱層的三層BP神經網絡和1個雙隱層的四層BP神經網絡，通過同步訓練和仿真，完成2個模型的預測實驗，并通過實驗結果比較這2種網絡結構性能的優劣。

本文篩選出50組數據作為2種不同網絡的訓練樣本，10組數據作為仿真時的檢驗樣本。表1示出本文使用的部分數據。

表1 部分原始數據Tab.1 Partial raw data

1.1 三層BP神經網絡的設計

本文在進行棉紗斷裂強力和條干CV值預測實驗過程中，2種模型下的三層BP神經網絡均采用如圖2所示的神經網絡結構。輸入層有5個神經元，和1個網絡輸出單元，網絡隱含層的神經元的個數S可由經驗公式[9]給出。

式中s為輸出層神經元個數。通過上式最后可運算求得隱含層的神經元個數S為4個，所以最后網絡的結構為5-4-1。

注：W為網絡中的各神經元權值矩陣；B為網絡的閾值。圖2 三層網絡結構Fig.2 Three layer network structure

1.2 四層BP神經網絡的算法與設計

1.2.1四層神經網絡的算法步驟

首先設定相關參數如下：P為總體樣本數；i為輸入層神經元數；n為第1個隱含層的神經元數；m為第2個隱含層的神經元數；s為輸出層神經元數；x為網絡的輸入參數，x1為第1個隱含層的輸出；x2為第2個隱含層的輸出；y為輸出層的輸出；d為網絡的期望輸出；wi為輸入層和第1個隱含層的連接權值；wn為第1個隱含層和第2個隱含層的連接權值；wm為第2個隱含層和輸出層的連接權值；θ1為第1個隱含層的閾值；θ2為第2個隱含層的閾值；θ3為輸出層的閾值；E為網絡的誤差。具體算法步驟如下。

1) 初始化權值wi、wn、wm。

2) 逐個輸入P個樣本。

5) 學習訓練完所有樣本后依照權值修正公式進行各層權值的修正。

6) 輸入新的權值重新進行各層輸出和反傳誤差的計算，直到滿足設定的精度目標值或達到預定的最大學習步數即終止學習。

1.2.2四層神經網絡的設計

萬能逼近定理雖然已經證明任意的m維到n維的映射只需要三層網絡就可以完成，但是針對具體的不同的模型，就不能確定三層神經網絡就是最合理有效的網絡結構了。雖然層數的增加會使網絡的結構變得冗雜，但是其減小誤差的能力也會隨之提升，因此可提高網絡運算的精度，甚至在解決諸如預測紗線強力此類的輸入和輸出單元數較少的簡單問題中，只要找到合理的隱含層單元數和恰當的訓練函數，就可以提高訓練效率。

為此，本文將設計含有2個隱含層的四層BP神經網絡來構建棉紗的斷裂強力和條干CV值的預測模型。依據選擇隱含層神經元個數的經驗公式[10]，在經過多次的的學習訓練和對比分析，得到較為合理高效的四層神經網絡的結構，其拓撲結構如圖3所示。第1個隱含層由3個神經元組成，第2個隱含層包含2個神經元，最后的網絡結構為5-3-2-1。

圖3 四層網絡結構Fig.3 Four-layer network structure

2 訓練與仿真

2.1 紗線斷裂強力模型

在設定好三層神經網絡和四層神經網絡的參數和結構之后，接下來將進行紗線斷裂強力預測模型的訓練和仿真實驗。

2.1.1三層網絡

本文采用MatLab提供的神經網絡工具箱來進行棉紗斷裂強力模型和后面的條干CV值模型的學習和訓練。相關參數確定如下。

第1層的傳遞函數：tansig函數;第2層傳遞函數：purelin函數;學習函數：traigdm函數;三層網絡的訓練步數設定為10 000，訓練目標設定為0.001，2次顯示之間的訓練步數為50。

訓練得到的誤差變化曲線如圖4所示。

圖4 紗線斷裂強力模型三層網絡誤差曲線Fig.4 Three-layer network error curve of yarn breaking strength model

從圖4可看出，該模型下三層網絡的訓練步數為740步，也就是網絡的誤差在此處達到目標值。

2.1.2四層網絡

在同一個預測模型下，為保證實驗結果的可比性，四層BP神經網絡的相關參數與三層BP神經網絡的參數設定保持一致。通過訓練得到該神經網絡的誤差變化曲線，如圖5所示。四層BP神經網絡紗線斷裂強力模型訓練誤差在第533步達到設定值。

圖5 紗線斷裂強力模型四層網絡誤差曲線Fig.5 Four-layer network error curve of yarn breaking strength model

2.2 條干CV值模型

條干CV值預測模型的訓練和仿真同樣是在設定好單隱層的三層BP神經網絡和雙隱層的四層BP神經網絡的參數和結構之后進行的，考慮到本文實驗比較分析的是隱含層的層數對網絡性能的影響，所以在條干CV值模型下網絡的輸入參數可以與紗線斷裂強力模型所使用的數據相同，只是此時網絡的輸出參數由紗線斷裂強力值改變為棉紗的條干CV值。

2.2.1三層網絡

通過三層BP神經網絡對該條干CV值模型進行仿真實驗，得到的誤差變化曲線如圖6所示?？煽闯觯撃Ｐ拖碌娜龑由窠浘W絡需要經過929步才能達到目標值。

圖6 條干模型三層網絡誤差曲線Fig.6 Three-layer network error curve of yarn levelness

2.2.2四層網絡

通過四層BP神經網絡對該條干CV值模型進行仿真實驗，得到誤差變化曲線如圖7所示?？煽闯?，網絡誤差在訓練的第604步達到目標值。

圖7 條干模型四層網絡誤差曲線Fig.7 Four-layer network error curve of yarn levelness

2.3 仿真結果

通過三層BP神經網絡和四層BP神經網絡對棉紗斷裂強力模型和條干CV值模型的預測和仿真，在設定好相同的誤差精度目標后，得到各自的最大訓練步數和最后的相對平均誤差，其仿真結果如表2所示。顯然，相比于三層BP神經網絡，四層神經網絡在效率和誤差減小方面都有所提高。

表2 仿真結果Tab.2 Simulation results

通常，在運用神經網絡來進行質量預測模型的訓練和仿真時，真實的實測數據和神經網絡的預測值之間的接近程度會使用擬合度來進行標度。根據2組模型的仿真結果，利用MatLab工具箱對最終的數據進行相關性分析，結果如圖8所示。

圖8 相關性分析圖Fig.8 Correlation analysis. (a) Three-layer BP neural network yarn breaking strength model; (b) Four-layer BP neural network yarn breaking strength model; (c) Three-layer BP neural network yarn levelness CV value model;(d) Four-layer BP neural network yarn levelness CV Value model

從圖8可看出，三層BP神經網絡紗線斷裂強力模型的擬合度為0.844，四層BP神經網絡紗線斷裂強力模型的擬合度為0.882；三層BP神經網絡條干CV值模型的擬合度為0.863，四層BP神經網絡條干CV值模型的擬合度為0.897。以上分析說明，具有雙隱層的四層BP神經網絡相比于三層的BP神經網絡，其預測值與實測值的一致性更高。

3 結 論

本文通過設計具有2個隱含層的四層BP神經網絡對棉紗的斷裂強力和條干CV值進行預測，并與三層網絡的仿真結果進行比較，得到如下結論：雖然層數的增加使得神經元總數增加，網絡的結構變得更加復雜，但四層網絡的訓練步數反而比三層網絡的少，而且平均相對誤差也要小，網絡也更加穩定。說明將四層BP神經網絡用于紗線質量預測是合理可行的，可在實際的生產活動中具有指導意義。

FZXB