毛精纺前纺工艺参数重要性的BP网络定量评价法模板.doc

毛精纺前纺工艺参数关键性BP网络定量评价法小二黑体，居中，3倍行距

刘 贵收稿日期（黑体小五）：-03-10 修回日期：-05-16（由编辑部填写）
基金项目（黑体小五）：国家经贸委创新项目（02CJ-14-05-01）基金名称（基金编号）(楷体小五)
作者介绍（黑体小五）：刘贵（1983—），男，博士生。关键研究方向为毛精纺加工过程建模及其职能决议预报和控制。于伟东，通讯作者，E-mail:。第一作者姓名（出生年—），性别，职称，学历。关键研究方向。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 纺织材料和技术试验室,上海　20; 武汉科技学院 纺织和材料学院,湖北 武汉　430073)小五号宋体，居中，单倍行距

摘 要摘要写作方法：请用第三人称语气陈说该文研究目标（即为了……，或针对……问题，）、过程、方法（即采取手段和方法）、结果和结论（即研究得出结论），关键是结果和结论，背景信息、基础概念及对文章自我评价不应出现在摘要中，要达成只看摘要而无须看文章就可了解全文关键内容程度；摘要字数应控制在200～300 字，英文要和汉字相对应。
（小五黑体）在BP神经网络建模技术基础上,提出利用神经网络输入层和输出层之间网络权值及其分布来求各输入参数关键程度方法。将采集到毛精纺企业前纺工艺参数利用BP神经网络分别建立了粗纱CV值和粗纱单重估计模型。结果表明：所建模型平均相对误差全部低于3%；采取样本数据验证,其预报值和实测值间相关系数全部高于0.95。对所建模型网络权重进行提取,分别计算出13个输入参数对粗纱CV值和粗纱单重关键性,挖掘出显著而有效参数。经对比认为，BP网络法比多元回归显著性分析(MRSA)更为正确，可用于对实际生产加工预报和控制。（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） 文件标志码（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　20,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)
此处排正文。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。正文部分请双栏排版。

（正文五号宋体,单倍行距）对精毛纺织厂而言,前纺工序作为整个加工过程第一步骤,其加工质量对后道工序将产生直接影响。依据实际生产经验,细纱条干不匀率和细纱机断头率相对于末道粗纱质量呈显著线性关系[1],故控制前纺各工序半制品不匀率,尤其是末道粗纱不匀率是毛纺厂十分关键质量监控方法[2]。现在企业关键以经验为主,经过传统测量和统计、肉眼观看和估量、设备调整和人力补充等原始方法实现,不能对大量积累和不停产生数据进行系统整理、综合分析和客观决断,也无法确切地找出产生问题原因及实际处理方法[3]。本文针对影响粗纱质量毛条回潮率、毛条含油率、纤维平均直径、直径离散系数、纤维平均长度等13个指标参数,将采集到企业实际生产数据,利用BP网络建立估计模型,提出利用网络各层间权重及其分布,计算出各参数对产量质量指标影响程度,并对比多元回归分析,效果很好。引言(或序言)应简明说明您进行该研究工作目标、范围、相关领域前人工作和知识空白、理论基础和分析、研究设想、研究方法和手段和预期结果及意义等。应简明回顾本文所包含科学问题研究历史，尤其是近三年研究结果，需引用参考文件；并在此基础上提出论文所要处理问题。引言部分不加小标题。

1　网络定量评价法学报采取4级标题制，为便于排版，一级标题字数不超出15个汉字，二、三级标题字数不超出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输算法多层前向人工神经网络[4]。对于任何在闭区间1个连续函数全部能够用含有1个隐层BP网络来迫近,所以1个3层结构BP网络能够完成任意N维到M维映射[5]。从其学习过程来输入参数对输出结果影响完全由网络权值决定,所以,知道网络各层间权重及其分布,就可计算输入参数确实定度(输入对输出影响作用相对大小,即贡献率)。依据误差反向传输方法,输入层节点对输出层节点影响是由各层权值复合作用。因为输出反应是其本身,它不需要再进行对后层节点影响大小区分,故可将其确定度看作是相同,然后参考反向传输算法从输出层向输入层反向求出各输入参数确实定度。
2　关键性评价过程
2．1　试验数据和参数（小四黑体，单倍行距）
本文以山东某精毛纺厂采集到100组数据为建模依据。数据采集分2部分,一部分从实际生产工艺设计单中提取,关键是工艺步骤参数、设备加工参数;另一部分为测试数据,来自不一样生产线。任意选80组数据用于模型建立,其中70组用于模型训练,10组作为检验数据,而未参与建模20组数据则用于对模型验证。影响前纺粗纱质量参数有毛条回潮率(X1)、毛条含油率(X2)、纤维平均直径(X3)、直径离散系数(X4)、纤维平均长度(X5)、长度离散系数(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]。利用BP网路建模分析时,以这些参数作为网络输入层参数,输入节点数为13,中间包含1个隐层,分别以R1和R2作为网络输出层建立多输入单输出子网组[7]模式进行预报。隐层节点数选择依据式(1)[8]进行计算:
文章中全部字母变量用斜体
(1)
式中：m为输入层节点数;n为输出层节点数S为隐层节点数,本文取隐层节点数为7。这么就能够建立2个13-7-1结构BP神经网络模型。同时,为消除原变量量纲不一样、数值差异太大带来影响,需要对原变量作标准化处理。即
（2）
式中

（3）
2．2　模型建立和训练
依据模型结构,在Mtalab 6.5环境下建立2个13-7-1型BP网络模型。利用式(2)对输入样本数据进行预处理。将标准化后数据输入网络进行训练,训练参数:训练最大步数为50;精度目标值为1.0×10-3;学习率为0.01[9]。其训练过程曲线见图1。由图可知,分别经过25和47步左右训练,平均误差平方和便达成了设定目标值。10组检验样本预报结果和实际结果相对误差分别为2.28%和2.39%。这说明所建立模型含有很高精度和正确性。
2.3　模型验证
依据上面训练好BP神经网络,对20组验图1 粗纱CV和单重预报模型训练曲线（小五宋体）
Fig.1 Robing unevenness (a) and the roving weight (b) forecast model’s training curve (小五Rome)
证样本数据进行预报检验。首先对这20组数据利用前面标准化方法进行预处理,然后代入训练好模型中进行预报模拟,得到网络输出并对其做还原量纲处理,就可得到粗纱质量指标估计值。其实测值和预报值间关系见图2。图中预报值和真实值之间相关系数均高于0.95,说明模型是可靠和正确。
2.4　关键性计算和评价
设前面13-7-1型BP网络经LM算法训练一定次数后收敛,令wij为输入层j和隐含层i
之间连接权值,wi1为隐含层i和输出层之间连接权值,具体步骤以下。
1)初始化输出节点确定度P,若输出节点数为O,则通常取为P=1/O,这里输出节点数为1,所以输出节点确定度为1。
2)反向求稳含层节点确实定度,立即输出层节
点确定度经权值作用向前传输。因为输出节点确定
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,对每个隐含层节点i,每个输入层节点j,将权值wij和wi1相乘,得到
文中图请用高分辨率TIF或JPG格式，并注意图制作格式：不能用彩图；图中横纵坐标线粗0.5磅，曲线粗0.75磅；图尺寸固定后图上全部注解文字要统一用6号宋体；坐标刻度线方向向内，横纵坐标必需有名称和单位；图中网格（底纹）线和上、右边框线要删掉，只保留横纵坐标线。（若是显微镜或电镜照片，图内一定要有百分比标尺）

图2 粗纱CV和单重预报值和实测值相关分析
Fig.2 Relevant analysis between the predict and measured value of the roving unevenness (a) and weight (b)
(4)
将Pij当量化后得到
(5)
对于每一个输入层节点j,将Qij求和,得到输入层
确定度
(6)
能够得到各输入变量(因子)对输出变量影响百分比，即输入因子贡献率 (7)
在模型可靠和正确条件下，把训练好BP网络模型网络权重取出来，利用上面提到方法，分别计算得出各输入因子对粗纱CV值和粗纱单重贡献率，以下表1所表示。对和粗纱CV值(R1)而言，长度离散系数(X6)、粗纱捻系数(X13)、纤维平均直径(X3)为其影响作用最大3个原因，贡献率分别为20.7%、13.9%和10.3%。对粗纱单重(R2)来说，对其影响最大多个参数是长度离散系数(X6)、毛条毛粒(X10)、毛条回潮率(X1)，贡献率分别为19.1%、18.1%和17.5%。

表1 各输入因子贡献率小五宋体，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
作为比较,利用多元线性回归法(MLR)分别建立上述13个输入参数和R1和R2间多元线性回归方程。因为这些原始数据数量级相差很大,可能会造成回归系数很小,为此需要对原始数据进行当量化处理,即把原始数据标准化到[0　1]区间。采取最小最大值标准化,能够使数据在[0　1]区间上取得良好分布,如式(8)。
（8）
将标准化后数据进行多元线性回归拟合,分别得到R1和R2回归方程,并经显著性检验,说明2个方程全部有显著性。

经过回归能够看出，对粗纱CV值(R1)影响原因由大到小依次为：X13 > X6 > X3 > X5 > X7 > X8 > X10> X9 > X2 > X4 > X1 > X12 > X11；而对于粗纱单重(R2)来说，依次为：X6 > X8 > X1 > X9 > X11 > X7 > X2 > X3 > X10> X13 > X4 > X5 > X12。显然重
要性和次序是不一样，表明各自变量间有交互

或相关性。
3 结 论结论应是以正文中试验或考察得到现象、数据叙述分析为依据，完整、正确、简练地指出以下内容：
a. 由对研究对象进行考察或试验得到结果所揭示原理及其普遍性；
b. 研究中有没有发觉例外或本论文尚难以解释和处理问题；
c. 和先前已发表过（包含她人和作者自己）研究工作异同；
d. 本论文在理论上和实用上意义及价值；
e. 深入深入研究本课题提议。

经过BP人工神经网络技术，直接利用生产历史数据，建立粗纱CV值、粗纱单重估计模型，以实现对粗纱加工和质量预报，所建模型平均相对误差全部低于3%。采取未参与建模训练样本数据验证，其预报模型预报结果和实测结果间相关关系R2全部高于0.95。利用所建立模型对粗纱工序各输入参数关键性分析，将输入参数关键性分成3个系列关键参数、较为关键参数和不关键参数，具体结果以下：
1) 对和粗纱CV值(R1)而言，关键参数为长度离散系数(X6)、粗纱捻系数(X13)和纤维平均直径(X3)，其贡献率分别为20.7%、13.9%和10.3%。较为关键影响因子(5%~10%)依次为短毛率(X7)、直径离散系数(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)。不关键参数(<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，关键参数为长度离散系数(X6)、毛条毛粒(X10)和毛条回潮率(X1)，其贡献率分别为19.1%、18.1%和17.5%。较为关键影响因子(5%~10%)依次为粗纱捻系数(X13)、前纺总牵伸倍数(X12)、直径离散系数(X4)、短毛率(X7)、毛条重量不匀率(X9)。不
关键参数(<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)。
对比多元线性回归分析，对粗纱CV值来说，最关键3个影响因子全部是长度离散系数(X6)、粗纱捻系数(X13)和纤维平均直径(X3)。对粗纱单重而言，采取BP网络权重法得出最关键3个参数为长度离散系数(X6)、毛条毛粒(X10)和毛条回潮率(X1)。而多元回归分析得出是长度离散系数(X6)、毛条重量(X8)和毛条回潮率(X1)，二者略有差异，可见两种参数关键性评价含有很好一致性，而且BP网络法能够量化。粗纱工序输入参数关键性定量评价法，经过利用历史数据BP网络建模技术，找出了各参数对其质量关键程度，为合理调配粗纱工艺，达成最优粗纱质量提供了参考。

参考文件(五号黑体，1.5倍行距)
[1] 刘曾贤.精毛纺前纺各过程理论不匀率指数研讨[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, , 21(4): 34-37.（小五 Rome）
[3] 于伟东,杨建国.纺织工业中虚拟加工技术和模式[J].纺织导报, (7): 10-16, 22.
YU Weidong, YANG Jianguo. Virtual manufacturing technology and models for textile industry[J]. China Textile Leader, (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,,23(1):4-7.
[7] 王秀坤,张晓峰.用一组单输出子网络替换多输出BP网络[J].计算机科学, , 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, , 28(10): 61-63.
[8] 高大启.有老师线性基础函数前向三层神经网络结构研究[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工艺优化[J]. 纺织学报，，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, ，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．

参考文件格式

       参考文件数目应大于10篇，且尽可能少引用图书类(M类)文件,多引用近两年来在中国外连续出版物上发表论文文件。若参考过本刊论文请勿忘标注在参考文件中。参考文件实施中国国家标准GB 7714—《文后参考文件著录规则》，只列关键，未公开发表资料勿引用，著录格式采取次序编码制。
       即日起,凡参考文件为汉字类（包含专著、期刊、报纸、论文集、专利、标准、电子文件等）要有一一对应英文内容，即需将各著录项目均翻译成英文，且必需按原发期刊英文形式标注，如原发刊物不含英文题目，自行翻译时请注意其正确性；若参考文件为非汉字类（如英文），则无需翻译。英文内容要另起一行标注。要求英文姓全部大写。
【示例】
[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工艺优化[J]. 纺织学报，，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, ，29（5）：59-63.

1）文后以“参考文件：”(左顶格)作为标识，参考文件表按文中引用前后次序编码依次排列，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，按著录要求要求依次著录，回行时和首行著录项齐平。每条文件单独排，最终均以“.”结束。
2）文中引用参考文件必需在正文中有标注，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件，文末按引用次序著录。作者一律采取姓前名后方法著录(外文作者名应缩写)，作者间用“，”间隔，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）文件作者，期刊名缩写一律不加缩写点，缩写单词要国际通用缩写方法，不可随意缩写。
5）数次引用同一著者同一文件时，在正文中标注首次引用文件序号，并在序号“[]”外著录引文页码，如[3]123。
6）通常从期刊中析出文件，应在刊名以后注明其年份、卷、期、部分号、页码。如，27（8）：25-28.如查不到卷数仅有期数，则写成（8）：25-26。
7）通常从报纸中析出文件，应在报纸名后著录其出版日期和版次。如-03-14（1）
8）题名以后如有其它题名信息，包含副题名、多卷书分卷书名、卷次、册次等，则之间用“：”隔开。如东华大学学报：自然科学版，世界出版业：美国卷等。

著录格式例举以下。

 例1  专著(图书、学位论文，技术汇报，多卷书等)
[序号] 关键责任者. 题名：其它题名信息[文件类型标志（电子文件必备，其它文件任选）].其它责任者（任选）. 版本项. 出版地: 出版者, 出版年：引文页码[引用日期]（联机文件必备，其它电子文件任选）.获取和访问路径.（联机文件必备）.
[1] 姚穆,周锦芳,黄淑珍,等. 纺织材料学[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究和实现[D].上海：东华大学，.
[3]  Hinton E, Owen D R．Finite Element Programming [M]．New York：Academik Press Inc，1977：124-140．
例2  专著中析出文件（论文集、汇编等）
[序号] 析出文件关键责任者.析出文件题名[文件类型标志] . 析出文件其它责任者//专著关键责任者.专著题名：其它题名信息. 版本项. 出版地: 出版者, 出版年:析出文件页码[引用日期].获取和访问路径.
[4] 马克思.相关《工资、价格和利润》汇报礼记[M]//马克思，恩格斯.马克思恩格斯全集：第44卷.北京：人民出版社，1982：505.
[5] 胡伯陶.天然彩色棉情况和产业发展研究[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进步研讨会论文集. 北京: 中国纺织信息中心, : 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  连续出版物（期刊、报纸等）中析出文件
[序号] 析出文件关键责任者.析出文件题名[文件类型标志]. 期刊或报纸题名：其它题名信息，年， 卷（期）： 页码[引用日期].获取和访问路径.
[7] 林红，陈宇岳，任煜，等. 经等离子体处理蚕丝纤维结构和性能[J]. 纺织学报, , 25(3): 9-11.
[8] 丁文祥.数字革命和竞争国际化[N].中国青年报，-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，，42(3)：737－746．
例4 专利文件
[序号] 专利申请者或全部者. 专利题名：专利国别，专利号[文件类型标志].公告日期或公开日期[引用日期].获取和访问路径.
[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 电子文件
[序号] 关键责任者.题名：其它题名信息［文件类型标志/文件载体标志］.出版地：出版者，出版年（更新或修改日期）[引用日期].获取和访问路径.
[13]傅刚，赵承，李佳路.大风沙过后思索[N/OL].北京青年报，-04-12（14）[-07-12].
[14] 莫少强.数字式汉字全文文件格式设计和研究[J/OL].情报学报，1999，18（4）：1-6[-07-08].

[15]Online Computer Library Center，Inc．History of  OCLC[EB/OL]．[-01-08]．http://www. oclc.org/about/history/default.htm.
 注：1）文件类型标志以下：一般图书 M, 会议录 C, 汇编 G, 报纸 N, 期刊 J, 学位论文 D, 汇报R，标准 S，专利 P，数据库 DB，计算机程序 CP，电子公告 EB。
2）电子文件载体类型标志以下：磁带 MT，磁盘 DK，光盘 CD，联机网络 OL。