基于PSO的BP神經網絡紗線條干CV值預測研究

摘 要：本文簡要介紹了BP神經網絡所用的BP算法，針對BP算法的不足之處，采用粒子群優化算法作為BP網絡的學習訓練函數，優化BP網絡的訓練速度和精度，建立了基于PSO的BP網絡模型。同時，將這種優化后的BP網絡模型應用于紗線條干CV值預測技術中，驗證了該網絡模型的性能。

關鍵詞：前饋神經網絡;BP算法;粒子群算法;條干CV值

中圖分類號：TS104;TP183 文獻標識碼：A 文章編號：1003-5168（2019）17-0011-03

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 network to optimize the training speed and accuracy of BP network， and the BP network model based on PSO was established. 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

目前，對大多數紡織企業而言，生產一種全新產品，必須要了解其紡紗性能，而這通常需要通過大量的試紡來實現。而大量試紡必然會造成各種資源的浪費，影響企業的生產效率，不符合市場對紡織產品生產周期快、產品質量優的高要求。因此，在實際生產中，需要適時合理地調整各項工藝參數和原材料，使得產品質量達到最優。而調整工藝參數所使用的傳統的計算方法已不能滿足需求。

因此，紡織企業需要構建一套適用性較強并能對紗線品質進行預測的模型。以這樣的方式，能使企業相關工作人員結合原棉品質指標以及相對應的生產技術參數指標，對紗線質量參數進行有效設計與修改。這不僅能有效降低生產成本，還可以進一步增強紗線品質?；诖?，本文設計了基于粒子群算法（PSO）的BP神經網絡紗線條干CV值預測模型。同時，通過相對應的試驗，分析模型對紗線品質的預測精度，以解決紗線質量預測問題。

1 基于PSO的BP神經網絡學習算法

BP神經網絡，又被稱為逆向傳播神經網絡，是一種基于誤差反向傳播算法（BP算法）的多層前饋神經網絡。BP神經網絡由一個輸入層、若干個隱含層和一個輸出層組成，各層均包含一個或多個神經元，相鄰兩層神經元之間通過權值相連接，各層內神經元之間和各層神經元之間均無連接。通過調整神經網絡中的連接權值、閾值以及隱含層節點數，可以以任意精度逼近任何非線性函數，且學習算法具有較好的自學習功能。

當前，應用最為廣泛的BP算法，由數據流的正向計算和誤差信號的反向計算兩個過程構成。在BP網絡的學習過程中，輸入信號正向傳播和誤差信號反向傳播交替進行。在正向傳播過程中，輸入信號先傳播到隱含層節點，經過傳遞函數作用后，把隱含層節點的輸出信息傳播到輸出層節點，再經過傳遞函數作用后得到網絡的輸出值，然后比較實際輸出值與期望輸出值得到誤差，由網絡的誤差反向傳播學習規則調整該網絡的權值，減小網絡的實際輸出值與期望輸出值的誤差。

但是，常規BP神經網絡學習算法，實質是一種簡單的最速下降靜態尋優算法，在一定程度上呈現出收斂速度較慢的問題，容易陷入局部最小點等不足[1]。因此，本文采用粒子群優化算法優化BP神經網絡所采用的BP算法，把粒子群算法（Particle Swarm Optimization，PSO）與BP算法有效結合起來，將PSO-BP模型用于紗線條干CV值預測技術中。

將PSO作為學習算法來優化來優化神經網絡關鍵在于以下兩點[2]。

第一，構建PSO粒子的維度空間與神經網絡連接權值之間的映射。粒子群內不同的個體粒子維度分量會存在與之相對應的神經網絡連接權值，即神經網絡中有多少連接權值（其中包括閾值），作為學習算法的PSO中的粒子就有多少維[3]。

第二，將神經網絡均方誤差作為PSO的適應函數，通過PSO算法強大的搜索功能，使網絡均方誤差最小化[4]。

假設神經網絡輸入層有d個神經元，隱含層有m個神經元，輸出層有n個神經元，網絡共有權值及閾值，因而基于PSO學習算法中的粒子的維度就應該為]。

2 試驗

2.1 數據收集及預處理

本文的數據來自新疆某棉紡公司的原棉物理性能指標及細紗質量指標，棉紗均在相同的生產條件和設備上紡紗，數據包括原棉纖維質量和與之對應的成紗質量。本文采用原始樣本數據45組進行訓練和檢驗，抽取30組用于網絡訓練，剩余15組用于檢驗。將與紗線質量指標密切相關的參數作為網絡模型的輸入參數，包括原棉七項物理性能指標：上半部平均長度（Len）、長度整齊度指數（UNF）、馬克隆值（MIC）、強力（STR）、反射率（Rd）、黃色深度（+b）、棉結（Neps）。預測模型的輸出值為紗線的條干CV值。

BP神經網絡在預測紗線質量問題時，由于所測量的數據有不同的工程單位，各變量的大小在數值上差異較大，直接使用原始測量數據進行計算可能丟失信息和引起數值計算的不穩定[5]，所以，利用合適的因子對數據進行標度，以改善算法的精度和穩定性。同時，在使用模型進行預測前，需要對相關數據進行標準化處理。根據樣本數據的最大值和最小值，將其量化到[-1，1]區間內，具體算法是：

式中是待處理數據;是

在對輸入的樣本數據進行標準化處理后，要對神經網絡的輸出值進行后處理，還原原始量綱[6]。

2.2 網絡模型的建立及訓練

BP成紗質量預測網絡結構采用多輸入-單輸出結構。神經網絡有三層，即輸入層、隱含層和輸出層。其中，a為輸入層神經元數;[ni]為隱含層單元數;b為輸出層神經元數;m為1～10的常數。在本試驗中，建立[7-ni-1]的神經網絡，故a=7，b=1[7]。根據隱含層單元數確定公式：

（2）

其中，的取值范圍為4～13。

通過反復訓練，具體參數設置如下：目標誤差為0.000 1，學習速率為0.01，訓練循環次數為20 000次。隱含層和輸出層的傳遞函數為tansig。本文使用MATLAB軟件來進行神經網絡的創建和訓練。

粒子群優化算法優化BP神經網絡所采用的BP算法，粒子的維數是46維，取學習因子[種群規模P=50，進化次數，nd（）-1初始化種群粒子速度，按0.2*rand（）初始化種群粒子位置[8]。

輸出參數為紗線的條干CV值，建立10個模型，得到不同隱含層單元數的紗線條干CV值預測誤差值。當隱含層單元數為11個時，訓練誤差最小。因此，紗線的條干CV值預測模型的結構選定為7-11-1。

2.3 試驗結果與分析

表1為PSO-BP算法神經網絡預測結果。訓練誤差較小的網絡模型的隱含層單元數為10～13個，均高于輸入層的單元數。

表2為PSO-BP成紗條干CV值預測效果。從表2可知，預測平均相對誤差值在2%以內。

3 結論

通過基于PSO-BP算法的紗線條干CV值預測實證研究可知，指標實測值與預測值的相對誤差值較小，預測平均相對誤差值在2%以內，相關系數達到0.95以上。可見，PSO-BP網絡模型對檢驗樣本組的預測精度較好。

參考文獻：

[1]陳欣.游梁式抽油機智能控制算法的研究[D].上海：上海交通大學，2006.

[2]李惠軍，袁春燕，聶瓊，等.基于改進BP人工神經網絡的紗線拉伸性能預測研究[J].新疆大學學報，2011（28）：145-147.

[3]張迎霞.短期電子負荷預測的神經網絡模型優化研究及應用[D].北京：華北電力大學，2007.

[4]王瑞琳.基于粒子群優化BP神經網絡的我國上市公司財務困境預警研究[D].開封：河南大學，2008.

[5]艾永冠.基于粒子群優化算法的神經網絡在股市預測中的應用[D].合肥：合肥工業大學，2009.

[6]任濤.ATM網絡中ABR業務流量控制算法研究[D].沈陽：東北大學，2005.

[7]謝德.人工神經網絡在房地產評估中的應用研究[D].武漢：武漢大學，2005.

[8]袁曾任.人工神經元網絡及其應用[M].北京：清華大學出版社，1999.