基于PSO的BP神经网络纱线条干CV值预测研究

摘 要：本文简要介绍了BP神经网络所用的BP算法，针对BP算法的不足之处，采用粒子群优化算法作为BP网络的学习训练函数，优化BP网络的训练速度和精度，建立了基于PSO的BP网络模型。同时，将这种优化后的BP网络模型应用于纱线条干CV值预测技术中，验证了该网络模型的性能。

关键词：前馈神经网络;BP算法;粒子群算法;条干CV值

中图分类号：TS104;TP183 文献标识码：A 文章编号：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，对大多数纺织企业而言，生产一种全新产品，必须要了解其纺纱性能，而这通常需要通过大量的试纺来实现。而大量试纺必然会造成各种资源的浪费，影响企业的生产效率，不符合市场对纺织产品生产周期快、产品质量优的高要求。因此，在实际生产中，需要适时合理地调整各项工艺参数和原材料，使得产品质量达到最优。而调整工艺参数所使用的传统的计算方法已不能满足需求。

因此，纺织企业需要构建一套适用性较强并能对纱线品质进行预测的模型。以这样的方式，能使企业相关工作人员结合原棉品质指标以及相对应的生产技术参数指标，对纱线质量参数进行有效设计与修改。这不仅能有效降低生产成本，还可以进一步增强纱线品质。基于此，本文设计了基于粒子群算法（PSO）的BP神经网络纱线条干CV值预测模型。同时，通过相对应的试验，分析模型对纱线品质的预测精度，以解决纱线质量预测问题。

1 基于PSO的BP神经网络学习算法

BP神经网络，又被称为逆向传播神经网络，是一种基于误差反向传播算法（BP算法）的多层前馈神经网络。BP神经网络由一个输入层、若干个隐含层和一个输出层组成，各层均包含一个或多个神经元，相邻两层神经元之间通过权值相连接，各层内神经元之间和各层神经元之间均无连接。通过调整神经网络中的连接权值、阈值以及隐含层节点数，可以以任意精度逼近任何非线性函数，且学习算法具有较好的自学习功能。

当前，应用最为广泛的BP算法，由数据流的正向计算和误差信号的反向计算两个过程构成。在BP网络的学习过程中，输入信号正向传播和误差信号反向传播交替进行。在正向传播过程中，输入信号先传播到隐含层节点，经过传递函数作用后，把隐含层节点的输出信息传播到输出层节点，再经过传递函数作用后得到网络的输出值，然后比较实际输出值与期望输出值得到误差，由网络的误差反向传播学习规则调整该网络的权值，减小网络的实际输出值与期望输出值的误差。

但是，常规BP神经网络学习算法，实质是一种简单的最速下降静态寻优算法，在一定程度上呈现出收敛速度较慢的问题，容易陷入局部最小点等不足[1]。因此，本文采用粒子群优化算法优化BP神经网络所采用的BP算法，把粒子群算法（Particle Swarm Optimization，PSO）与BP算法有效結合起来，将PSO-BP模型用于纱线条干CV值预测技术中。

将PSO作为学习算法来优化来优化神经网络关键在于以下两点[2]。

第一，构建PSO粒子的维度空间与神经网络连接权值之间的映射。粒子群内不同的个体粒子维度分量会存在与之相对应的神经网络连接权值，即神经网络中有多少连接权值（其中包括阈值），作为学习算法的PSO中的粒子就有多少维[3]。

第二，将神经网络均方误差作为PSO的适应函数，通过PSO算法强大的搜索功能，使网络均方误差最小化[4]。

假设神经网络输入层有d个神经元，隐含层有m个神经元，输出层有n个神经元，网络共有权值及阈值，因而基于PSO学习算法中的粒子的维度就应该为]。

2 试验

2.1 数据收集及预处理

本文的数据来自新疆某棉纺公司的原棉物理性能指标及细纱质量指标，棉纱均在相同的生产条件和设备上纺纱，数据包括原棉纤维质量和与之对应的成纱质量。本文采用原始样本数据45组进行训练和检验，抽取30组用于网络训练，剩余15组用于检验。将与纱线质量指标密切相关的参数作为网络模型的输入参数，包括原棉七项物理性能指标：上半部平均长度（Len）、长度整齐度指数（UNF）、马克隆值（MIC）、强力（STR）、反射率（Rd）、黄色深度（+b）、棉结（Neps）。预测模型的输出值为纱线的条干CV值。

BP神经网络在预测纱线质量问题时，由于所测量的数据有不同的工程单位，各变量的大小在数值上差异较大，直接使用原始测量数据进行计算可能丢失信息和引起数值计算的不稳定[5]，所以，利用合适的因子对数据进行标度，以改善算法的精度和稳定性。同时，在使用模型进行预测前，需要对相关数据进行标准化处理。根据样本数据的最大值和最小值，将其量化到[-1，1]区间内，具体算法是：

式中是待处理数据;是

在对输入的样本数据进行标准化处理后，要对神经网络的输出值进行后处理，还原原始量纲[6]。

2.2 网络模型的建立及训练

BP成纱质量预测网络结构采用多输入-单输出结构。神经网络有三层，即输入层、隐含层和输出层。其中，a为输入层神经元数;[ni]为隐含层单元数;b为输出层神经元数;m为1～10的常数。在本试验中，建立[7-ni-1]的神经网络，故a=7，b=1[7]。根据隐含层单元数确定公式：

（2）

其中，的取值范围为4～13。

通过反复训练，具体参数设置如下：目标误差为0.000 1，学习速率为0.01，训练循环次数为20 000次。隐含层和输出层的传递函数为tansig。本文使用MATLAB软件来进行神经网络的创建和训练。

粒子群优化算法优化BP神经网络所采用的BP算法，粒子的维数是46维，取学习因子[种群规模P=50，进化次数，nd（）-1初始化种群粒子速度，按0.2*rand（）初始化种群粒子位置[8]。

输出参数为纱线的条干CV值，建立10个模型，得到不同隐含层单元数的纱线条干CV值预测误差值。当隐含层单元数为11个时，训练误差最小。因此，纱线的条干CV值预测模型的结构选定为7-11-1。

2.3 试验结果与分析

表1为PSO-BP算法神经网络预测结果。训练误差较小的网络模型的隐含层单元数为10～13个，均高于输入层的单元数。

表2为PSO-BP成纱条干CV值预测效果。从表2可知，预测平均相对误差值在2%以内。

3 结论

通过基于PSO-BP算法的纱线条干CV值预测实证研究可知，指标实测值与预测值的相对误差值较小，预测平均相对误差值在2%以内，相关系数达到0.95以上。可见，PSO-BP网络模型对检验样本组的预测精度较好。

参考文献：

[1]陈欣.游梁式抽油机智能控制算法的研究[D].上海：上海交通大学，2006.

[2]李惠军，袁春燕，聂琼，等.基于改进BP人工神经网络的纱线拉伸性能预测研究[J].新疆大学学报，2011（28）：145-147.

[3]张迎霞.短期电子负荷预测的神经网络模型优化研究及应用[D].北京：华北电力大学，2007.

[4]王瑞琳.基于粒子群优化BP神经网络的我国上市公司财务困境预警研究[D].开封：河南大学，2008.

[5]艾永冠.基于粒子群优化算法的神经网络在股市预测中的应用[D].合肥：合肥工业大学，2009.

[6]任涛.ATM网络中ABR业务流量控制算法研究[D].沈阳：东北大学，2005.

[7]谢德.人工神经网络在房地产评估中的应用研究[D].武汉：武汉大学，2005.

[8]袁曾任.人工神经元网络及其应用[M].北京：清華大学出版社，1999.