基于灰色關聯支持向量機回歸的紗線質量預測

王東平 吳志剛

摘 要：針對企業紡紗過程中紗線質量難以預測的問題，提出了一種基于灰色關聯支持向量機回歸的模型，并對模型關鍵參數使用網格搜索技術和交叉驗證技術進行優化。通過工廠實際紡紗數據，利用成熟度等10項原棉指標，對紗線單紗強度等2項指標進行預測。試驗結果表明，灰色關聯支持向量機回歸模型在小樣本條件下也有良好的表現。同傳統的BP神經網絡模型相比，具有更好的預測精度和穩定性，為成紗質量預測提供了新方法。

關鍵詞：支持向量機回歸；灰色關聯；BP神經網絡；紗線質量

DOI：10.16640/j.cnki.37-1222/t.2019.09.133

1 引言

紗線生產是一項極其復雜的生產流程。從纖維到紗線需要經歷多道工序。影響成紗質量的因素眾多，其中主要的因素為纖維性能和紡織工藝。在紡織工藝相同的情況下，在成紗質量中起到決定性作用的是原棉質量。但是原棉質量和紗線質量之間的關系是復雜的非線性關系。傳統上對紗線的質量預測大多憑借生產工人和領域專家的經驗，主觀意識太強，無法提供穩定可靠的預測結果，導致紗線質量的波動性太大，造成了時間和原料的浪費，不能滿足實際生產的需要。針對這個難題，國內外很多學者對此進行了研究。主要技術有基于紗線結構的力學物理模型[1]和基于統計技術的經驗模型，近年來，利用智能技術進行紗線質量預測成為了研究的熱點[2]，有學者提出了基于BP神經網絡的預測方法來處理原棉質量和紗線質量之間復雜的非線性關系[3-4]。但BP神經網絡需要大量的數據樣本，在小樣本的數據條件下，具有收斂速度慢、過擬合、易陷入局部最優等缺陷[5]。近幾年，一種新的算法支持向量機算法在工業中得到廣泛應用并且取得了良好的效果[6]。具有泛化性能好、最優解唯一、計算簡單、不需要微調、小樣本學習等優點。本文將結合灰色關聯分析與支持向量機回歸，利用灰色關聯分析對原棉性能指標進行篩選[7-8]，充分發揮支持向量機小樣本學習的優點，為紗線質量預測提供一種新方法。

2 相關理論

2.1 灰色關聯分析

灰色關聯分析是一種多因素統計分析方法。它根據各因素的樣本數據，對因素間關系使用灰色關聯度進行描述。若兩個因素變化同步趨勢較高，則兩者之間灰色關聯度較高，反之則灰色關聯度較低。此分析方法具有對數據要求較低和工作量較少等特點。

具體步驟如下：

第一步：首先確定參考數列。

在做灰色關聯分析之前，首先要選擇參考數列。參考數列一般記作。比較數列一般記作…。

第二步：進行變量的無量綱化處理。

在灰色關聯計算之前，可根據公式（1）對數列進行無量綱化處理，以消除各個數列由于量綱不同和數值差異過大帶來的影響。

3 模型建立與分析

3.1 數據準備

本文采用60組紡紗數據來建立模型，50用于組模型訓練，剩下10組用來測試模型精度。由于紗線是在紡紗工藝相同的環境下加工生產的。因此，成紗質量的主要影響因素是原棉性能指標。本文選用的原棉性能指標為：成熟度、主體長度、斷裂強度、短絨率、主上長度、均勻度、公制支數、含雜率、疵點總數、回潮率。成紗的性能指標為： 單紗強度、條干CV。

3.2 灰色關聯分析

根據灰色關聯分析計算得到表成紗性能與纖維性能之間的灰色關聯度，選擇灰色關聯度最大的7個纖維性能指標用進行灰色關聯支持向量機回歸模型預測。

這表明，單紗強度主要影響因素從高到低依次為： 成熟度、主上長度、主體長度、公制支數、均勻度、短絨率、回潮率、含雜率、斷裂強度、疵點總數。條干CV的主要影響因素從高到低依次為： 主體長度、主上長度、成熟度、公制支數、均勻度、回潮率、短絨率、斷裂強度、疵點總數、含雜率。

3.3 模型參數選擇

在預測仿真任務中，樣本結構、模型選擇、模型參數調優都對預測的精度有影響。本文使用灰色關聯支持向量機回歸作為紗線質量預測模型。需要確定的關鍵參數是正則化系數C和核函數帶寬σ。本文選擇較為常用的RBF徑向基核作為核函數。采用網格搜索技術結合交叉驗證對關鍵參數進行優化[10]。

BP神經網絡模型作為對比模型。常用的BP神經網絡為3層[11]，分別為輸入層、隱藏層和輸出層。輸入層節點的個數為原來的原棉指標變量個數10。輸出層節點的個數為1。根據經驗公式進行計算得到隱藏層的節點個數為12。因此，BP神經網絡的結構為“10-12-1”。隱層的激活函數為“relu函數”。訓練次數為10000次。訓練精度為 0. 01。對單紗強度和條干CV分別建立預測模型。

4 預測結果與分析

本文分別采用灰色關聯支持向量機回歸模型與BP神經網絡模型對成紗性能進行預測，并對兩種模型的預測結果進行了比較。預測結果如下表所示。

根據表2，對于單紗強度的預測結果，灰色關聯支持向量機回歸模型的預測平均相對誤差為2.59%，BP神經網絡模型平均相對誤差為%4.55%，支持向量機回歸模型的準確度比BP神經網絡提高了43.07%。由表3可知，對于條干CV，灰色關聯支持向量機回歸模型的平均相對誤差最小為0.91%，BP神經網絡模型預測的平均相對誤差為5.85%，灰色關聯支持向量機回歸模型的準確度比BP神經網絡提高了83.42%。實驗結果對比表明，灰色關聯支持向量機回歸預測模型比BP神經網絡預測模型的預測的精確度得到了大幅的提高，并且預測結果比較穩定。灰色關聯支持向量機回歸模型在小樣本的條件下擬合性能遠遠好于BP神經網絡模型。

5 結語

本文提出了一種基于灰色關聯分析支持向量機回歸的預測模型，并且使用網格搜索技術和交叉驗證技術解決了模型的參數優化問題。以紡紗生產過程為例，首先使用灰色關聯分析方法篩選出影響成紗性能指標的最重要的原棉性能指標，然后利用支持向量機回歸建立預測模型，預測成紗性能指標。實驗結果表明，本文方法的擬合效果比傳統的BP神經網絡模型的預測方法的擬合效果要好，在小樣本的數據環境下仍然能夠保持較高的預測精度，擁有更好泛化性能，更加適用于紗線生產過程。研究表明，基于灰色關聯支持向量機回歸預測模型是進行紗線質量預測的有效工具，具有較高的實際應用價值。

參考文獻：

[1]Bogdan J F.The characterization of spinning quality[J]. Textile Res J.1956，26（09）：720-730.

[2]董奎勇，于偉東.基于BP神經網絡的紡紗質量預報模型[J].東華大學學報，2005，31（02）：88-92.

[3]鄭波.配棉工藝系統與紡紗質量預測的分析與設計[D].南京：東南大學，2006.

[4]殷祥剛，呂志軍，于偉東.基于CBR和ANN的精紡紗智能化加工研究與實踐[J].毛紡科技，2006（05）：5-8.

[5]Zeguang Pei，Chongwen Yu.Prediction of the vortex yarn tenacity from some process and nozzle parameters based on numerical simulation and artificial neural network[J]. Textile Research Journal，2011：1-12.

[6]王定成，姜斌.支持向量機控制與在線學習方法研究的進展[J]. 系統仿真學報，2007，19（03）：1177-1181.

[7]李曉峰.苧麻纖維原料品質與成紗品質指標的灰關聯分析[J]. 紡織學報，2006，27（01）：20-22.

[8]陳東升，吳廣峰，長井茂明.用灰色理論預測亞麻成紗質量[J].紡織基礎科學學報，1994，7（03）：230-233.

[9]Vapnik V N.The Nature of Statistical Learning Theory[M]. New York： Spring-Verlag，1999.

[10]鄧乃揚，田英杰.數據挖掘中的新方法—支持向量機[M].北京：科學出版社，2004.

[11]高大啟.有教師的線性基本函數前向三層神經網絡結構研究[J].計算機學報，1998，21（01）：80-86.

作者簡介：王東平（1993-），男，安徽滁州人，碩士研究生，主要研究方向：智能信息處理。

*為通訊作者