基于BP人工神经网络的纱线毛羽预测研究

研究基于BP人工神经网络的纱线毛羽预测问题.以棉纤维的7项品质指标作为输入参数,以棉纱的毛羽指数H指标作为输出参数,通过使用36组数据分别进行网络模型训练,最终将纱线毛羽指数预测模型的结构选定为7-10-1来进行纱线毛羽的预测,结果表明:BP人工神经网络模型的预测速度和精度较好.     

基于免疫遗传算法的BP神经网络在纱线条干预测上的应用

为了避免因随机生成BP神经网络初始权值和阈值而带来的不确定性,以及得到更好的预测纱线条干CV值的精度和速度,借助免疫遗传算法对传统单一的BP神经网络进行权值和阈值的优化。免疫算法中特有的浓度调节机制有效地解决了遗传算法后期未成熟收敛的问题。利用Matlab构建单一的BP神经网络模型、遗传BP神经网络模型和免疫遗传BP神经网络模型进行纱线条干CV值的预测实验,通过仿真训练结果的对比分析可得出,免疫遗传算法优化的BP神经网络能够更准确、更快速、更稳定地完成纱线条干CV值的预测。     

基于HVI指标与RBF神经网络的纱线质量预测

将人工神经网络与HVI指标相结合,提出了一种基于RBF神经网络的纱线质量预测方法,克服了BP神经网络训练效率低、容易陷入局部极小化等不足。通过实例分析,利用马克隆值等14项HVI指标和工艺参数对纱线的单纱断裂强度等4项指标进行预测,试验结果表明:与传统纱线质量预测方法相比,基于RBF神经网络的纱线质量预测模型表现出了优良的预测精度及稳定性,对降低生产成本、提高生产效率具有积极意义。     

应用遗传算法优化支持向量回归机的喷气涡流纺纱线质量预测

为探究熟条质量对喷气涡流纺纱线质量的影响,建立了遗传算法优化的支持向量回归机预测模型。模型的输入端参数为熟条的4项指标（条干CV值、回潮率、定量和定量不匀率）,分别对19.7tex 和11.8tex的涤纶/粘胶（67/33）喷气涡流纺纱线进行强力和条干CV值预测试验,同时建立了BP神经网络模型作对比试验。2种模型预测对比分析的结果表明：遗传算法优化的支持向量回归机模型的稳定性和精度要比BP神经网络模型高得多,更适用于描述熟条质量与喷气涡流纺纱线质量（单纱强力和纱线条干CV值）间的非线性关系。     

基于人工神经网络的纱线条干均匀度预测研究

研究了纱线条干均匀度预测问题,用HVI测试原棉指标,用USTER()TESTER 5-S400测试成纱指标,采用标准BP算法建立断裂伸长预测的模型,进行纱线的条干均匀度预测,结果表明BP模型预测速度和精度较高,可以实现棉纱条干均匀度预测.     

基于有限单元法的平纹织物复合材料强度预测：1. RVE的有限元模型

 为更准确预测平纹织物复合材料的强度,基于平纹织物层合板内纱线的细观分布,建立具有双凸结构的特征体积单元RVE(representative volume element)有限元模型。模型内纱线浸渍体为弹性体,物性值随纱线走向变化,树脂为塑性体。利用有限元分析软件ANSYS,使用20节点solid单元分别对纱线、树脂进行离散,通过数值分析计算复合材料模量,并根据复合材料内纤维与基体的失效准则预测单胞强度。结果表明：通过有限元模拟得到的弹性模量值同理论计算值及实测值均一致,且预测的单胞强度同复合材料实际强度值相吻合;RVE有限元模型支持参数化建模,对平纹织物复合材料的强度预测有很好的应用价值。     

基于人工神经网络的花生红衣色素的提取研究

目的:建立花生红衣色素综合评价值的BP人工神经网络模型,得出最佳提取工艺参数。方法:正交实验与人工神经网络相结合,利用正交实验获得的数据作为神经网络的训练样本,建立输入为实验因素参数,输出为花生红衣色素的综合评价值的神经网络模型;采用人工神经网络模拟和预测花生红衣色素提取的最佳条件和综合评价值。结果:花生红衣色素最佳提取条件为温度55℃,提取剂为乙醇,乙醇的浓度为60%,提取时间为3 h,料液比为1∶35(g/m L)。结论:人工神经网络模型准确预测花生红衣色素提取的最佳条件和综合评价值,且得到最佳提取条件下花生红衣色素的综合评价值为33.0824,优于正交实验33.08的综合评价值。     

包覆工艺对涤纶低弹丝双包粘胶纱性能的影响

探讨包覆工艺对涤纶低弹丝双包粘胶短纤复合纱性能的影响。以卷绕速度、上排捻度(Z捻)、下排捻度(S捻)等包覆工艺参数为研究对象,采用二次通用旋转组合设计进行试验,通过建立数学模型,分析了包覆工艺参数对纱线断裂强力、条干CV值、3 mm毛羽数的影响。结果表明:随着卷绕速度的降低或下排捻度的增加,纱线的断裂强力呈增大趋势;随着卷绕速度的升高,纱线条干CV值呈现先降低后增大的规律;随着上下排捻度的增加,纱线条干CV值逐渐降低;纱线毛羽只与下排捻度有关。认为:在保证成纱指标符合要求及最大限度提高设备生产率的条件下,应偏大选取包覆捻度。     

基于人工神经网络的纱线断裂伸长预测

使用HVI测试原棉指标和USTER TENSOJET 4测试成纱指标.分别用标准BP、LMBP算法建立断裂伸长预测的神经网络模型,进行纱线的断裂伸长预测,结果表明LMBP算法建立的模型预测速度和精度明显高于标准的BP算法.     

汉麻纱线拉伸性能及条干均匀度测试分析

使用单纱强力机和纱线条干均匀度仪测试了12种纱线的拉伸性能和条干均匀度,研究了夹持器隔距、拉伸速度、纱线干湿情况以及预加张力等参数对测试指标的影响程度,对比分析了汉麻纱和其它纱线的性能差异.结果表明,与其他纤维的纱线相比较,汉麻纱线强度和强度不匀都较大,伸长率很小,伸长率不匀偏大;汉麻纱吸湿后,强度有所增加,强度不匀率变化很小;隔距、拉伸速度对强度指标有一定影响,预加张力对测试结果影响很小.汉麻纱线的粗节、细节、棉节和CV值均明显高于其他纱线.     

BP神经网络预测活性染色织物K/S值

采用人工神经网络方法预测活性染料染色织物的K／S值。将不同的活性染料染色工艺参数和对应的染色织物K／S值输入神经网络作为训练，再输入其它染色参数值，预测其染色织物K／S值。试验表明，BP神经网络预测结果和试验值的相关系数达到了0．995，说明人工神经网络用于预测活性染料染色织物K／S值是可行的。     

棉纱动态强力的研究

为了能够更真实地了解纱线在实际加工过程中的力学性能,对纱线的动态强力进行了研究.选取60种纯棉纱样,测试了纱线的静态强力、条干CV以及动态强力,分析了静态强力、条干CV对动态强力的影响,并进行了回归分析.结果表明:棉纱的静态强力与动态强力呈线性关系,动态强力随静态强力的增加而增加,在100 m/min的速度下,动态强力相对于静态强力下降27%左右;棉纱的条干CV值与动态强力呈非线性关系,动态强力是随条干CV值的增加而降低;可以建立棉纱静态强力和条干CV值与动态强力的相关模型,通过静态强力和条干CV值预测棉纱的动态强力.     

基于遗传算法优化BP神经网络的丙酮丁醇梭菌发酵预测模型研究

为了提高丙酮丁醇梭菌发酵过程中生物量浓度预测的精度,以不同发酵时间和葡萄糖浓度下的生物量数据作为训练和测试集,构建BP人工神经网络,并利用遗传算法(GA)的全局搜索能力,优化构建BP人工神经网络权值和阈值,建立GA-BP预测丙酮丁醇梭菌生物量的预测模型.结果表明采用GA-BP算法具有比BP人工神经网络更高的预测精确度和稳定性.     

免疫遗传神经网络算法的纱线原料性能反演

探讨基于免疫遗传神经网络算法的纱线原料性能参数反演。以BP神经网络建立纱线原料性能参数正演模型,同时使用免疫遗传算法优化该网络的权值和阈值,以提高网络的预测精度和速度,在此基础上,以纱线强力值为对象再次通过免疫遗传算法构建反演模型,并对反演参数进行求解。通过真实数据训练仿真,反演精度达到了95%,验证了该方法的可行性与有效性。认为:该方法可为纺织企业的配棉工作和工艺设计提供有效的理论指导。     

应用混合种群遗传神经网络的精梳毛纺工艺参数反演模型

针对传统精梳毛纺工艺参数反演模型收敛性和稳定性不理想、泛化性能差、反演精度低等问题,以及标准遗传算法（SGA）应用于复杂优化问题时存在早熟收敛等缺点,以BP神经网络为基础,提出一种混合种群遗传人工神经网络(MPG-ANN)反演模型,首先以混合种群遗传算法优化BP神经网络的权值与阈值来建立预测模型,在此基础上根据毛纱CV值建立混合种群遗传算法反演模型,用来反演精梳毛纺生产过程工艺参数.以纺纱车间大量现场工艺检测数据为对象,并以工艺参数毛条含油量及细纱牵伸倍数进行反演验证,结果表明MPG-ANN模型反演精度达97%,相比于标准遗传算法人工神经网络（SGA-ANN）模型提高4%,同时反演结果波动幅度相比于SGA-ANN模型降低了6.28%.该方法可为精梳毛纺生产过程质量控制提供有效的理论指导,对纺织企业新产品工艺开发设计的快速决策具有很好的借鉴作用。     

鲫鱼新鲜度近红外定量预测模型的建立

为实现鲫鱼新鲜度的快速测定,本文基于近红外漫反射光谱定量分析技术和化学计量学方法,采集了144个鲫鱼鱼肉样品在1000~1799 nm范围内的光谱数据,测定了鲫鱼样品的p H、TVB-N含量、TBA含量和K值四种新鲜度指标;在确定近红外光谱数据最佳预处理方法和适宜波段的基础上,分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立了鲫鱼新鲜度定量预测模型。结果表明,鲫鱼样品四种指标数据范围均较大,可满足建模要求。以p H为鲜度指标时,采用偏最小二乘法和BP人工神经网络技术建立的模型最好,其定标相关系数为0.9945;以TVB-N、TBA和K值为鲜度指标时,采用偏最小二乘法建立的模型最好,其定标相关系数分别为0.9857、0.9985和0.9952。建立的四种鲜度指标定量模型均具有较好的预测能力。     

选区激光熔化316L不锈钢残余应力优化研究

利用人工神经网络的高度非线性函数逼近能力和自适应学习能力,建立选区激光熔化316L不锈钢成形残余应力预测模型。采用响应面法进行试验设计得到不同的工艺参数组合作为训练样本,通过残差分析验证样本数据的有效性,结合遗传算法对BP神经网络模型进行优化。结果表明,GA-BP神经网络模型的预测值与实际值的整体预测平均相对误差在5%左右,证明通过神经网络模型实现选区激光熔化316L不锈钢成形残余应力预测是可行的。     

基于BP神经网络的机采原棉品质指标预测模型

为了对脱籽后的机采原棉品质指标进行预测并实现优化控制,设计了用于机采原棉品质指标预测的BP神经网络模型。以南疆地区机采棉为研究对象,以影响原棉品质的主控因素籽棉回潮率和轧花速度为BP神经网络模型的基本特征量,建立了机采原棉品质指标的BP神经网络预测模型。结果表明:该BP神经网络模型能较好表达机采原棉各品质指标与主控因素之间的非线性关系,预测结果与实测值之间误差小,测试样本的网络输出值与网络目标值的相关系数均接近1,模型预测效果较佳。认为:该BP神经网络模型可作为机采原棉品质预测与调控的新方法,也可应用于机采籽棉轧花在线原棉品质监控。     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。