论文部分内容阅读
本文旨在建立织机效率预测模型，根据已有的生产工艺参数运用BP神经网络及其改进算法进行预测，填补国内外在这一领域的空缺。课题主要工作有：
首先，进行数据的收集与整理。将纺织厂中收集的数据先转化为国际通用单位符号。然后将整理完的数据因素利用SPSS软件与织机效率分别进行相关性分析，从理论上确定各个因素和织机效率有无相关性，以便于最终确定神经网络结构的输入参数。
其次，建立预测模型，本文共设计三种预测模型。基于BP人工神经网络预测织机效率，先利用训练样本确定每层神经元个数，并随机生成权值阈值等参数；然后计算各层网络输出，调整权值阈值，直到满足误差需求；最终建立以影响因子为输入，以织机效率和十万纬经停为输出的神经网络。基于主成分分析和BP人工神经网络预测织机效率，由于BP神经网络存在收敛速度慢的问题，故本文提出了利用主成分分析法先将众多输入参数进行降维，减少变量的个数及变量间的相关性，然后再将经过预处理的主成分作为神经网络的输入，进行仿真。遗传算法改进BP神经网络预测织机效率，利用遗传算法优化BP神经网络进化过程中的权值阈值，再将最优权值阈值经BP网络仿真。
模型建立后进行试验和验证。试验结果表明：BP神经网络预测模型、主成分分析法结合BP神经网络预测模型和用遗传算法改进BP神经网络三种网络模型训练相关系数均大于0.8，都具有较好的训练效果。验证结果表明：三种预测模型不仅可以同厂也可用其他工厂，说明三种预测模型的可使用性。三种预测模型中基于遗传算法优化改进的BP神经网络模型预测效果最好。
最后，进行织机效率智能预测系统软件设计。智能预测系统软件设计分为智能预测模块和数据库创建及管理两大模块，智能预测模块是本课题研究的核心，主要目的是通过计算机及计算机算法实现对织机效率快速准确的预测。数据库模块作为智能预测系统后台数据管理的支撑，主要实现训练样本数据和测试样本数据的查询、储存和事务处理等功能。
首先，进行数据的收集与整理。将纺织厂中收集的数据先转化为国际通用单位符号。然后将整理完的数据因素利用SPSS软件与织机效率分别进行相关性分析，从理论上确定各个因素和织机效率有无相关性，以便于最终确定神经网络结构的输入参数。
其次，建立预测模型，本文共设计三种预测模型。基于BP人工神经网络预测织机效率，先利用训练样本确定每层神经元个数，并随机生成权值阈值等参数；然后计算各层网络输出，调整权值阈值，直到满足误差需求；最终建立以影响因子为输入，以织机效率和十万纬经停为输出的神经网络。基于主成分分析和BP人工神经网络预测织机效率，由于BP神经网络存在收敛速度慢的问题，故本文提出了利用主成分分析法先将众多输入参数进行降维，减少变量的个数及变量间的相关性，然后再将经过预处理的主成分作为神经网络的输入，进行仿真。遗传算法改进BP神经网络预测织机效率，利用遗传算法优化BP神经网络进化过程中的权值阈值，再将最优权值阈值经BP网络仿真。
模型建立后进行试验和验证。试验结果表明：BP神经网络预测模型、主成分分析法结合BP神经网络预测模型和用遗传算法改进BP神经网络三种网络模型训练相关系数均大于0.8，都具有较好的训练效果。验证结果表明：三种预测模型不仅可以同厂也可用其他工厂，说明三种预测模型的可使用性。三种预测模型中基于遗传算法优化改进的BP神经网络模型预测效果最好。
最后，进行织机效率智能预测系统软件设计。智能预测系统软件设计分为智能预测模块和数据库创建及管理两大模块，智能预测模块是本课题研究的核心，主要目的是通过计算机及计算机算法实现对织机效率快速准确的预测。数据库模块作为智能预测系统后台数据管理的支撑，主要实现训练样本数据和测试样本数据的查询、储存和事务处理等功能。