纺织论文模板.docx

纺织论文模板
刘 贵收稿日期〔黑体小五〕：2007-03-10 修回日期：2007-05-16〔由编辑部填写〕
基金项目〔黑体小五〕：国度经贸委创新项目〔02CJ-14-05-01〕基金称号〔基金编号〕(楷体小五)
作者简介〔黑体小五〕：刘贵〔1983—〕，男，博士生。主要研讨方向为毛精纺加工进程建模及其职能决策预告与控制。于伟东，通讯作者，E-mail:wdyu@。第一作者姓名〔出生年—〕，性别，职称，学历。主要研讨方向。通讯作者姓名，E-mail。
，于伟东1,2四号楷体，居中，单倍行距

(1. 东华大学 纺织资料与技术实验室,上海　202120; 武汉科技学院 纺织与资料学院,湖北 武汉　430073)小五号宋体，居中，单倍行距

摘 要摘要写作方法：请用第三人称的语气陈说该文研讨目的〔即为了……，或许针对……效果，〕、进程、方法〔即采用的手腕和方法〕、结果和结论〔即研讨得出的结论〕，重点是结果和结论，背景信息、基本概念及对文章的自我评价不应出如今摘要中，要到达只看摘要而不用看文章就可了解全文主要内容的水平；摘要字数应控制在200～300 字，英文要与中文相对应。
〔小五黑体〕在BP神经网络建模技术的基础上,提出应用神经网络输入层与输入层之间的网络权值及其散布来求各输入参数重要水平的方法。将采集到的毛精纺企业前纺工艺参数运用BP神经网络区分树立了粗纱CV值和粗纱单重的预测模型。结果说明：所建模型的平均相对误差都低于3%；采用样本数据验证,其预告值与实测值间的相关系数都高于0.95。对所建模型的网络权重停止提取,区分计算出13个输入参数对粗纱CV值和粗纱单重的重要性,开掘出清楚而有效的参数。经对比以为，BP网络法比多元回归清楚性剖析(MRSA)更为精准，可用于对实践消费加工的预告和控制。〔小五宋体〕
关键词〔小五黑体〕毛精纺；前纺工艺参数；模型；BP神经网络；定量评价法〔小五宋体〕
中图分类号〔小五黑体〕： TS 131.9〔小五宋体〕 文献标志码〔小五黑体〕：

Quantitative evaluation method for the significance of worsted
fore-spinning parameters based on BP neural network小四Times New Rome,3倍行距

LIU Gui1，YU Weidong1,2〔五号〕
(1.Textile Materials andTechnology Laboratory Donghua University, Shanghai　202120,China;
2.Department of Textiles and Materials, Wuhan University of Science and Engineering, Wuhan, Hubei　430073,China〕小五，居中

Abstract Based on BP neural network model technology, a new approach was developed and applied to appraise the input parameters′significant degree through the weightiness and its distribution between the input and output layer. Usingthe fore-spinningworking procedure data gathered fromtheworsted textiles enterprise, the roving unevenness and weight prediction models were established respectively. The results indicated that the models′mean relative errors are all less than 3%; the correlation coefficientR2between the prediction value and the actual are all more than 0·95. Using the weightiness extracted fromthe established models, the 13 input parameters′significance to the roving unevenness and weight were calculated respectively, and the remarkable and effective parameters are excavated out. Meanwhile contrasting to the multivariate regression significance analysis (MRSA), the BP neural network method is more exact than MRSA and can be used in the forecast and control of the actual produce and manufacture (小五)
Key words Double glow; Artificial neural network; Prediction model (小五)
此处排注释。请选择A4纸型，上、下页边距为2.5cm，左、右页边距为2.0cm，1.0倍行距。注释局部请双栏排版。

〔注释五号宋体,单倍行距〕对精毛纺织厂而言,前纺工序作为整个加工进程的第一环节,其加工质量对后道工序将发生直接影响。依据实践消费阅历,细纱的条干不匀率和细纱机的断头率相关于末道粗纱的质量呈清楚的线性关系[1],故控制前纺各工序的半制品不匀率,特别是末道粗纱的不匀率是毛纺厂十分重要的质量监控措施[2]。目前企业主要以阅历为主,经过传统的测量和记载、肉眼观看与估量、设备的调整和人力的补充等原始的方法完成,不能对少量积聚和不时发生的数据停止系统整理、综合剖析与客观决断,也无法确切地找出发生效果的缘由及实践处置方法[3]。本文针对影响粗纱质量的毛条回潮率、毛条含油率、纤维平均直径、直径团圆系数、纤维平均长度等13个目的参数,将采集到的企业实践消费数据,运用BP网络树立预测模型,提出应用网络各层间的权重及其散布,计算出各参数对产量质量目的的影响水平,并对比多元回归剖析,效果较好。引言(或前言)应简明说明您停止该研讨任务的目的、范围、相关范围的先人任务和知识空白、实际基础和剖析、研讨想象、研讨方法与手腕和预期结果及意义等。应简明回忆本文所触及的迷信效果的研讨历史，尤其是近三年的研讨效果，需援用参考文献；并在此基础上提出论文所要处置的效果。引言局部不加小标题。

1　网络定量评价法学报采用4级标题制，为便于排版，一级标题的字数不超出15个汉字，二、三级标题的字数不超出17个汉字

〔四号黑体，3倍行距〕
BP神经网络(Back-Propagation)是指基于误差反向传达算法的多层前向人工神经网络[4]。关于任何在闭区间的1个延续函数都可以用含有1个隐层的BP网络来迫近,因此1个3层结构的BP网络可以完成恣意N维到M维的映射[5]。从其学习进程来输入参数对输入结果的影响完全由网络权值决议,因此,知道网络各层间的权重及其散布,就可计算输入参数确实定度(输入对输入影响作用的相对大小,即贡献率)。依照误差反向传达方法,输入层节点对输入层节点的影响是由各层权值的复协作用。由于输入反映的是其自身,它不需求再停止对后层节点影响大小的区分,故可将其确定度看作是相反的,然后参照反向传达算法从输入层向输入层反向求出各输入参数确实定度。
2　重要性评价进程
2．1　实验数据和参数〔小四黑体，单倍行距〕
本文以山东某精毛纺厂采集到的100组数据为建模依据。数据采集分2局部,一局部从实践消费工艺设计单中提取,主要是工艺流程参数、设备加工参数;另一局部为测试数据,来自不同的消费线。恣意选80组数据用于模型树立,其中70组用于模型训练,10组作为检验数据,而未参与建模的20组数据那么用于对模型的验证。影响前纺粗纱质量的参数有毛条回潮率(X1)、毛条含油率(X2)、纤维平均直径(X3)、直径团圆系数(X4)、纤维平均长度(X5)、长度团圆系数(X6)、短毛率(X7)、毛条质量(X8)、毛条质量不匀率(X9)、毛条毛粒(X10)、前纺总并合次数(X11)、前纺总牵伸倍数(X12)和粗纱捻系数(X13)[6]。运用BP网路建模剖析时,以这些参数作为网络的输入层参数,输入节点数为13,中间包括1个隐层,区分以R1和R2作为网络输入层树立多输入单输入子网组[7]形式停止预告。隐层节点数的选取依据式(1)[8]停止计算:
文章中的一切字母变量用斜体
(1)
式中：m为输入层节点数;n为输入层节点数S为隐层节点数,本文取隐层节点数为7。这样就可以树立2个13-7-1结构的BP神经网络模型。同时,为消弭原变量的量纲不同、数值差异太大带来的影响,需求对原变量作规范化处置。即
〔2〕
式中

〔3〕
2．2　模型的树立和训练
依据模型结构,在Mtalab 6.5的环境下树立2个13-7-1型BP网络模型。应用式(2)对输入样本数据停止预处置。将规范化后的数据输入网络停止训练,训练参数:训练最大步数为50;精度目的值为1.0×10-3;学习率为0.01[9]。其训练进程曲线见图1。由图可知,区分经过25和47步左右的训练,平均误差平方和便到达了设定的目的值。10组检验样本的预告结果和实践结果的相对误差区分为2.28%和2.39%。这说明所树立的模型具有很高的精度和准确性。
2.3　模型的验证
依据下面训练好的BP神经网络,对20组验图1 粗纱CV和单重预告模型训练曲线〔小五宋体〕
Fig.1 Robing unevenness (a) and the roving weight (b) forecast model’s training curve (小五Rome)
证样本数据停止预告检验。首先对这20组数据应用前面的规范化方法停止预处置,然后代入训练好的模型中停止预告模拟,失掉网络输入并对其做恢复量纲的处置,就可失掉粗纱质量目的的预测值。其实测值与预告值间的关系见图2。图中预告值与真实值之间的相关系数均高于0.95,说明模型是牢靠和准确的。
2.4　重要性计算和评价
设前面的13-7-1型BP网络经LM算法训练一定的次数后收敛,令wij为输入层j和隐含层i
之间的衔接权值,wi1为隐含层i和输入层之间的衔接权值,详细步骤如下。
1)初始化输入节点确定度P,假定输入节点数为O,那么普通取为P=1/O,这里输入节点数为1,因此输入节点确定度为1。
2)反向求稳含层节点确实定度,行将输入层节
点确定度经权值作用向前传达。由于输入节点确定
度为1,故隐含层节点确实定度为1×wi1=wi1。
3)求输入层确实定度,对每个隐含层的节点i,每个输入层节点j,将权值wij和wi1相乘,失掉
文中图请用高分辨率的TIF或JPG格式，并留意图的制造格式：不能用彩图；图中横纵坐标线粗0.5磅，曲线粗0.75磅；图的尺寸固定后图上一切注解文字要一致用6号宋体；坐标刻度线方向向内，横纵坐标必需有称号和单位；图中的网格〔底纹〕线和上、左边框线要删掉，只保管横纵坐标线。〔假定是显微镜或电镜照片，图内一定要有比例标尺〕

图2 粗纱CV和单重预告值与实测值相关剖析
Fig.2 Relevant analysis between the predict and measured value of the roving unevenness (a) and weight (b)
(4)
将Pij当量化后失掉
(5)
关于每一个输入层节点j,将Qij求和,失掉输入层的
确定度
(6)
可以失掉各输入变量(因子)对输入变量的影响比例，即输入因子的贡献率 (7)
在模型牢靠和准确的条件下，把训练好的BP网络模型的网络权重取出来，运用下面提到的方法，区分计算得出各输入因子对粗纱CV值和粗纱单重的贡献率，如下表1所示。对与粗纱CV值(R1)而言，长度团圆系数(X6)、粗纱捻系数(X13)、纤维平均直径(X3)为其影响作用最大的3个要素，贡献率区分为20.7%、13.9%和10.3%。对粗纱单重(R2)来说，对其影响最大的几个参数是长度团圆系数(X6)、毛条毛粒(X10)、毛条回潮率(X1)，贡献率区分为19.1%、18.1%和17.5%。

表1 各输入因子的贡献率小五宋体，加黑

Tab. 1 Each input parameters contribution ratio %
粗纱
质量
毛条原料参数
前纺工艺参数
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
R1
1.9
6.1
10.3
7.9
4.1
20.7
8.7
7.4
3.3
5.9
6.3
3.5
13.9
R2
17.5
1.5
1.5
6.0
3.5
19.1
6.0
4.0
5.7
18.1
0.5
7.0
9.6表格用三线表

2．5　多元线性回归对比评价
作为比拟,运用多元线性回归法(MLR)区分树立上述13个输入参数与R1和R2间的多元线性回归方程。由于这些原始数据的数量级相差很大,能够会形成回归系数很小,为此需求对原始数据停止当量化处置,即把原始数据规范化到[0　1]区间。采用最小最大值的规范化,可以使数据在[0　1]区间上取得良好的散布,如式(8)。
〔8〕
将规范化后的数据停止多元线性回归拟合,区分失掉R1和R2的回归方程,并经清楚性检验,说明2个方程都有清楚性。

经过回归可以看出，对粗纱CV值(R1)影响要素由大到小依次为：X13 > X6 > X3 > X5 > X7 > X8 > X10> X9 > X2 > X4 > X1 > X12 > X11；而关于粗纱单重(R2)来说，依次为：X6 > X8 > X1 > X9 > X11 > X7 > X2 > X3 > X10> X13 > X4 > X5 > X12。显然重
要性和次第是不同的，说明各自变量间有交互

或相关性。
3 结 论结论应是以注释中的实验或调查失掉的现象、数据的论述剖析为依据，完整、准确、繁复地指出以下内容：
a. 由对研讨对象停止调查或实验失掉的结果所提醒的原理及其普遍性；
b. 研讨中有无发现例外或本论文尚难以解释和处置的效果；
c. 与先前已宣布过的〔包括他人和作者自己〕研讨任务的异同；
d. 本论文在实际上和适用上的意义及价值；
e. 进一步深化研讨本课题的建议。

经过BP人工神经网络技术，直接应用消费历史数据，树立粗纱CV值、粗纱单重预测模型，以完成对粗纱加工和质量的预告，所建模型的平均相对误差都低于3%。采用未参与建模训练的样本数据验证，其预告模型的预告结果与实测结果间的相关关系R2都高于0.95。应用所树立的模型对粗纱工序各输入参数的重要性剖析，将输入参数重要性分红3个系列重要参数、较为重要参数和不重要参数，详细结果如下：
1) 对与粗纱CV值(R1)而言，重要参数为长度团圆系数(X6)、粗纱捻系数(X13)和纤维平均直径(X3)，其贡献率区分为20.7%、13.9%和10.3%。较为重要的影响因子(5%~10%)依次为短毛率(X7)、直径团圆系数(X4)、毛条重量(X8)、前纺总并合次数(X11)、毛条含油率(X2)、毛条毛粒(X10)。不重要的参数(<5%)依次为纤维平均长度(X5)、前纺总牵伸倍数(X12)、毛条重量不匀率(X9)、毛条回潮率(X1)；
2)对粗纱单重(R2)来说，重要参数为长度团圆系数(X6)、毛条毛粒(X10)和毛条回潮率(X1)，其贡献率区分为19.1%、18.1%和17.5%。较为重要的影响因子(5%~10%)依次为粗纱捻系数(X13)、前纺总牵伸倍数(X12)、直径团圆系数(X4)、短毛率(X7)、毛条重量不匀率(X9)。不
重要的参数(<5%)依次为毛条重量(X8)、纤维平均长度(X5)、毛条含油率(X2)、纤维平均直径(X3)、前纺总并合次数(X11)。
对比多元线性回归剖析，对粗纱CV值来说，最重要的3个影响因子都是长度团圆系数(X6)、粗纱捻系数(X13)和纤维平均直径(X3)。对粗纱单重而言，采用BP网络权重法得出最重要的3个参数为长度团圆系数(X6)、毛条毛粒(X10)和毛条回潮率(X1)。而多元回归剖析得出的是长度团圆系数(X6)、毛条重量(X8)和毛条回潮率(X1)，两者略有差异，可见两种参数重要性评价具有较好的分歧性，而且BP网络法可以量化。粗纱工序输入参数重要性定量评价法，经过运用历史数据的BP网络建模技术，找出了各参数对其质量的重要水平，为合理分配粗纱工艺，到达最优的粗纱质量提供了参考。

参考文献(五号黑体，1.5倍行距)
[1] 刘曾贤.精毛纺前纺各进程实际不匀率指数的研讨[J].毛纺科技, 1999(6): 5-12.〔小五宋体〕
LIU Cengxian. A study on the theoretical irregularity index for the preparatory passages of worsted spinning[J]. Wool Textile Journal，1999〔6〕：5-12.
[2] DONG Kuiyong, YU Weidong. A worsted yarn virtualproduction system based on BP neural network[J].
Journal of Donghua University:Eng Ed, 2004, 21(4): 34-37.〔小五 Rome〕
[3] 于伟东,杨建国.纺织工业中的虚拟加工技术与形式[J].纺织导报, 2005(7): 10-16, 22.
YU Weidong, YANG Jianguo. Virtual manufacturing technology and models for textile industry[J]. China Textile Leader, 2005(7): 10-16, 22.
[4] David ERumelhart, Geoffrey EHinton, Ronald JWilliams.Learning representations by back-propagating errors [J].Nature, 1986(323): 533-536.
[5] Hecht-Nielson R. Theory of the back-propagation neural network [C]//IEEE. International Joint Conference on Neural networks. Washington: [s.n.]. 1989:53.
[6] LV Z J, XIANG Q, YIN X G,et al. Aknowledge-reuse based intelligent reasoning model for worsted process optimization[J]. Journal of Donghua University: Eng Ed,2006,23(1):4-7.
[7] 王秀坤,张晓峰.用一组单输入的子网络替代多输入的BP网络[J].计算机迷信, 2001, 28(10): 61-63.
WANG Xiukun, ZHANG Xiaofeng. A new architecture of neural networks array replacing of a multiple outputs BP model networks[J]. Computer Science, 2001, 28(10): 61-63.
[8] 矮小启.有教员的线性基本函数前向三层神经网络结构研讨[J].计算机学报, 1998, 21(1): 80-86.
GAO Daqi. On structures of supervised linear basis function feed forward three-layered neural networks[J]. Computer Science, 1998, 21(1): 80-86.
[9] 吴辉，钱国坻，华兆哲，等. 新型碱性果胶酶用于棉针织物精练的工艺优化[J]. 纺织学报，2020，29〔5〕：59-63.
WU Hui，QIAN Guodi，HUA Zhaozhe，et al. Optimization of scouring of knitted cotton fabrics with a new-type alkaline pectinase[J]. Journal of Textile Research, 2020，29〔5〕：59-63.
[10] Wu C T，McCullough R L．Constitutive relationships for heterogeneous materials [C]//Holister G S．Developments in Composite Materials．London：Applied Science Publishers Ltd，1997：119-187．

参考文献格式

       参考文献的数目应大于10篇，且尽量少援用图书类(M类)文献,多援用近两年来在国际外延续出版物上刊登的论文文献。假定参考过本刊论文的请勿忘标注在参考文献中。参考文献执行中华人民共和国国度规范GB 7714—2005«文后参考文献著录规那么»，只列主要的，未地下宣布的资料勿援用，著录格式采用顺序编码制。
       即日起,凡参考文献为中文类的〔包括专著、期刊、报纸、论文集、专利、规范、电子文献等〕要有逐一对应的英文内容，即需将各著录项目均翻译成英文，且必需按原发期刊英文方式标注，如原发刊物不含英文标题，自行翻译时请留意其准确性；假定参考文献为非中文类的〔如英文〕，那么无需翻译。英文内容要另起一行标注。要求英文姓全部大写。
【例如】
[1] 吴辉，钱国坻，华兆哲，等. 新型碱性果胶酶用于棉针织物精练的工艺优化[J]. 纺织学报，2020，29〔5〕：59-63.
     WU Hui，QIAN Guodi，HUA Zhaozhe，et al. Optimization of scouring of knitted cotton fabrics with a new-type alkaline pectinase[J]. Journal of Textile Research, 2020，29〔5〕：59-63.

1〕文后以〝参考文献：〞(左顶格)作为标识，参考文献表按文中援用的先后顺序编码依次陈列，顶格编排，编码用阿拉伯数字著录，加方括号、不用标点，后空一字，按著录要求规则依次著录，回行时与首行著录项齐平。每条文献独自排，最后均以〝.〞完毕。
2〕文中援用的参考文献必需在注释中有标注，如[2]，[3-5]不宜写成[3][4][5]等。
3〕题名、摘要、标题中不得标注参考文献，文末按援用顺序著录。作者一概采用姓前名后的方式著录(外文作者名应缩写)，作者间用〝，〞距离，作者少于3人应全部写出，3人以上只列出前3人，后加〝等〞或〝et al〞。
4〕文献的作者，期刊名的缩写一概不加缩写点，缩写的单词要国际通用的缩写方法，不可随意缩写。
5〕屡次援用同一著者的同一文献时，在注释中标注初次援用的文献序号，并在序号的〝[]〞外著录引文页码，如[3]123。
6〕凡是从期刊中析出的文献，应在刊名之后注明其年份、卷、期、局部号、页码。如2006，27〔8〕：25-28.如查不到卷数仅有期数，那么写成2006〔8〕：25-26。
7〕凡是从报纸中析出的文献，应在报纸名后著录其出版日期与版次。如2000-03-14〔1〕
8〕题名之后如有其他题名信息，包括副题名、多卷书的分卷书名、卷次、册次等，那么之间用〝：〞隔开。如东华大学学报：自然迷信版，世界出版业：美国卷等。

著录格式例举如下。

 例1  专著(图书、学位论文，技术报告，多卷书等)
[序号] 主要责任者. 题名：其他题名信息[文献类型标志〔电子文献必备，其他文献任选〕].其他责任者〔任选〕. 版本项. 出版地: 出版者, 出版年：引文页码[援用日期]〔联机文献必备，其他电子文献任选〕.获取和访问途径.〔联机文献必备〕.
[1] 姚穆,周锦芳,黄淑珍,等. 纺织资料学[M]. 2版.北京: 中国纺织出版社, 1997：147.
[2] 李慧敏.面向电子化量身定制服装eMTM三维人体测量数据库德研讨与完成[D].上海：东华大学，2005.
[3]  Hinton E, Owen D R．Finite Element Programming [M]．New York：Academik Press Inc，1977：124-140．
例2  专著中的析出文献〔论文集、汇编等〕
[序号] 析出文献主要责任者.析出文献题名[文献类型标志] . 析出文献其他责任者//专著主要责任者.专著题名：其他题名信息. 版本项. 出版地: 出版者, 出版年:析出文献的页码[援用日期].获取和访问途径.
[4] 马克思.关于«工资、价钱和利润»的报告礼记[M]//马克思，恩格斯.马克思恩格斯选集：第44卷.北京：人民出版社，1982：505.
[5] 胡伯陶.自然黑色棉的状况和产业开展的研讨[C]// 刘树梅，尹耐冬，李瑞萍，等. 第九届全国花式纱线及其织物技术提高研讨会论文集. 北京: 中国纺织信息中心, 2002: 24-33.
[6]  WU C T，McCullough R L．Constitutive relationships for heterogeneous materials [C]//Holister G S．Developments in Composite Materials．London：Applied Science Publishers Ltd，1997：119-187．
例3  延续出版物〔期刊、报纸等〕中的析出文献
[序号] 析出文献主要责任者.析出文献题名[文献类型标志]. 期刊或报纸题名：其他题名信息，年， 卷〔期〕： 页码[援用日期].获取和访问途径.
[7] 林红，陈宇岳，任煜，等. 经等离子体处置的蚕丝纤维结构与功用[J]. 纺织学报, 2004, 25(3): 9-11.
[8] 丁文祥.数字革命与竞争国际化[N].中国青年报，2000-11-20〔15〕.
[9] LIU Zhehui，ZHU Xiaoguang，WU Lixin． Effects of interfacial adhesion on the rubber toughening of poly (vinyl chloride) I： Impact tests[J]．Polymer，2000，42(3)：737－746．
例4 专利文献
[序号] 专利央求者或一切者. 专利题名：专利国别，专利号[文献类型标志].公告日期或地下日期[援用日期].获取和访问途径.
[10] 陈安磐，龚熹．梳棉机道夫传动装置：中国，88217670.6[P].1989-06-21.
[11] Narisawa I，Zhan M S，Itii H，et al．Polyamide resins：JP Patent，C08J，100119[P]．1996-04-16．
例5 电子文献
[序号] 主要责任者.题名：其他题名信息［文献类型标志/文献载体标志］.出版地：出版者，出版年〔更新或修正日期〕[援用日期].获取和访问途径.
[13]傅刚，赵承，李佳路.微风沙事先的思索[N/OL].北京青年报，2000-04-12〔14〕[2005-07-12]. :// bjyouth .cn/Bqb/20000412/GB/4216%ED0412B1401.htm.
[14] 莫少强.数字式中文全文文献格式的设计与研讨[J/OL].情报学报，1999，18〔4〕：1-6[2001-07-08].
://periodical.wanfangdata .cn/periodical/qbxb/qbxb99/qbxb9904/990407.htm.
[15]Online Computer Library Center，Inc．History of  OCLC[EB/OL]．[2000-01-08]． :// oclc.org/about/history/default.htm.
 注：1〕文献类型标志如下：普通图书 M, 会议录 C, 汇编 G, 报纸 N, 期刊 J, 学位论文 D, 报告R，规范 S，专利 P，数据库 DB，计算机顺序 CP，电子公告 EB。
2〕电子文献载体类型标志如下：磁带 MT，磁盘 DK，光盘 CD，联机网络 OL。