纺织学报标准格式样本.doc

资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。毛精纺前纺工艺参数重要性的BP网络定量评价法小二黑体, 居中, 3倍行距刘 贵作者简介( 黑体小五) : 刘贵( 1983) , 男, 博士生。主要研究方向为毛精纺加工过程建模及其职能决策预报与控制。于伟东, 通讯作者, E-mail:。第一作者姓名( 出生年) , 性别, 职称, 学历。主要研究方向。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 纺织材料与技术实验室,上海 20; 武汉科技学院 纺织与材料学院,湖北 武汉430073)小五号宋体, 居中, 单倍行距摘 要摘要写作方法: 请用第三人称的语气陈述该文研究目的( 即为了, 或者针对问题, ) 、 过程、 方法( 即采用的手段和方法) 、 结果和结论( 即研究得出的结论) , 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现在摘要中, 要达到只看摘要而不必看文章就可理解全文主要内容的程度; 摘要字数应控制在200300 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,提出利用神经网络输入层与输出层之间的网络权值及其分布来求各输入参数重要程度的方法。将采集到的毛精纺企业前纺工艺参数运用BP神经网络分别建立了粗纱CV值和粗纱单重的预测模型。结果表明: 所建模型的平均相对误差都低于3%; 采用样本数据验证,其预报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值和粗纱单重的重要性,挖掘出显著而有效的参数。经对比认为, BP网络法比多元回归显著性分析(MRSA)更为精准, 可用于对实际生产加工的预报和控制。( 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) Quantitative evaluation method for the significance of worstedfore-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, Hubei430073,China) 小五, 居中 Abstract Based on BP neural network model technology, a new approach was developed and applied to appraise the input parameterssignificant 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 modelsmean relative errors are all less than 3%; the correlation coefficientR2between the prediction value and the actual are all more than 095. Using the weightiness extracted fromthe established models, the 13 input parameterssignificance 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的第一环节,其加工质量对后道工序将产生直接影响。根据实际生产经验,细纱的条干不匀率和细纱机的断头率相对于末道粗纱的质量呈显著的线性关系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。当前企业主要以经验为主,经过传统的测量和记录、 肉眼观看与估计、 设备的调整和人力的补充等原始的方法实现,不能对大量积累和不断产生的数据进行系统整理、 综合分析与客观决断,也无法确切地找出产生问题的原因及实际解决方法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、 直径离散系数、 纤维平均长度等13个指标参数,将采集到的企业实际生产数据,运用BP网络建立预测模型,提出利用网络各层间的权重及其分布,计算出各参数对产量质量指标的影响程度,并对比多元回归分析,效果较好。引言(或前言)应简要说明您进行该研究工作的目的、 范围、 相关领域的前人工作和知识空白、 理论基础和分析、 研究设想、 研究方法与手段和预期结果及意义等。应简要回顾本文所涉及的科学问题的研究历史, 特别是近三年的研究成果, 需引用参考文献; 并在此基础上提出论文所要解决的问题。引言部分不加小标题。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播算法的多层前向人工神经网络4。对于任何在闭区间的1个连续函数都能够用含有1个隐层的BP网络来逼近,因而1个3层结构的BP网络能够完成任意N维到M维的映射5。从其学习过程来输入参数对输出结果的影响完全由网络权值决定,因此,知道网络各层间的权重及其分布,就可计算输入参数的确定度(输入对输出影响作用的相对大小,即贡献率)。依照误差反向传播方法,输入层节点对输出层节点的影响是由各层权值的复合作用。由于输出反映的是其本身,它不需要再进行对后层节点影响大小的区分,故可将其确定度看作是相同的,然后参照反向传播算法从输出层向输入层反向求出各输入参数的确定度。2重要性评价过程21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的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,主要是工艺流程参数、 设备加工参数;另一部分为测试数据,来自不同的生产线。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,而未参与建模的20组数据则用于对模型的验证。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。运用BP网路建模分析时,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。隐层节点数的选取根据式(1)8进行计算:文章中的所有字母变量用斜体 (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。这样就能够建立2个13-7-1结构的BP神经网络模型。同时,为消除原变量的量纲不同、 数值差异太大带来的影响,需要对原变量作标准化处理。即 ( 2) 式中 ( 3) 22模型的建立和训练根据模型结构,在Mtalab 6.5的环境下建立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。将标准化后的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1.010-3;学习率为0.019。其训练过程曲线见图1。由图可知,分别经过25和47步左右的训练,平均误差平方和便达到了设定的目标值。10组检验样本的预报结果和实际结果的相对误差分别为2.28%和2.39%。这说明所建立的模型具有很高的精度和准确性。2.3模型的验证根据上面训练好的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 models training curve (小五Rome)证样本数据进行预报检验。首先对这20组数据利用前面的标准化方法进行预处理,然后代入训练好的模型中进行预报模拟,得到网络输出并对其做还原量纲的处理,就可得到粗纱质量指标的预测值。其实测值与预报值间的关系见图2。图中预报值与真实值之间的相关系数均高于0.95,说明模型是可靠和准确的。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之间的连接权值,wi1为隐含层i和输出层之间的连接权值,具体步骤如下。1)初始化输出节点确定度P,若输出节点数为O,则一般取为P=1/O,这里输出节点数为1,因此输出节点确定度为1。2)反向求稳含层节点的确定度,即将输出层节点确定度经权值作用向前传播。因为输出节点确定度为1,故隐含层节点的确定度为1wi1=wi1。3)求输入层的确定度,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,得到文中图请用高分辨率的TIF或JPG格式, 并注意图的制作格式: 不能用彩图; 图中横纵坐标线粗0.5磅, 曲线粗0.75磅; 图的尺寸固定后图上所有注解文字要统一用6号宋体; 坐标刻度线方向向内, 横纵坐标必须有名称和单位; 图中的网格( 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, 图内一定要有比例标尺) 图2 粗纱CV和单重预报值与实测值相关分析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,得到输入层的确定度 (6)能够得到各输入变量(因子)对输出变量的影响比例, 即输入因子的贡献率 (7)在模型可靠和准确的条件下, 把训练好的BP网络模型的网络权重取出来, 运用上面提到的方法, 分别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)为其影响作用最大的3个因素, 贡献率分别为20.7%、 13.9%和10.3%。对粗纱单重(R2)来说, 对其影响最大的几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X1X2X3X4X5X6X7X8X9X10X11X12X13R11.96.110.37.94.120.78.77.43.35.96.33.513.9R217.51.51.56.03.519.16.04.05.718.10.57.09.6表格用三线表25多元线性回归对比评价作为比较,运用多元线性回归法(MLR)分别建立上述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,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01区间。采用最小最大值的标准化,能够使数据在01区间上获得良好的分布,如式(8)。 ( 8) 将标准化后的数据进行多元线性回归拟合,分别得到R1和R2的回归方程,并经显著性检验,说明2个方程都有显著性。经过回归能够看出, 对粗纱CV值(R1)影响因素由大到小依次为: 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同的, 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的实验或考察得到的现象、 数据的阐述分析为依据, 完整、 准确、 简洁地指出以下内容: a. 由对研究对象进行考察或实验得到的结果所揭示的原理及其普遍性; b. 研究中有无发现例外或本论文尚难以解释和解决的问题; c. 与先前已发表过的( 包括她人和作者自己) 研究工作的异同; d. 本论文在理论上和实用上的意义及价值; e. 进一步深入研究本课题的建议。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、 粗纱单重预测模型, 以实现对粗纱加工和质量的预报, 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, 其预报模型的预报结果与实测结果间的相关关系R2都高于0.95。利用所建立的模型对粗纱工序各输入参数的重要性分析, 将输入参数重要性分成3个系列重要参数、 较为重要参数和不重要参数, 具体结果如下: 1) 对与粗纱CV值(R1)而言, 重要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%。较为重要的影响因子(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)、 直径离散系数(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)。对比多元线性回归分析, 对粗纱CV值来说, 最重要的3个影响因子都是长度离散系数(X6)、 粗纱捻系数(X13)和纤维平均直径(X3)。对粗纱单重而言, 采用BP网络权重法得出最重要的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的是长度离散系数(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一致性, 而且BP网络法能够量化。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程度, 为合理调配粗纱工艺, 达到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.精毛纺前纺各过程理论不匀率指数的研讨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 spinningJ. Wool Textile Journal, 1999( 6) : 5-12. 2 DONG Kuiyong, YU Weidong. A worsted yarn virtualproduction system based on BP neural networkJ.Journal of Donghua University:Eng Ed, , 21(4): 34-37.( 小五 Rome) 3 于伟东,杨建国.纺织工业中的虚拟加工技术与模式J.纺织导报, (7): 10-16, 22. YU Weidong, YANG Jianguo. Virtual manufacturing technology and models for textile industryJ. 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 optimizationJ. Journal of Donghua University: Eng Ed, ,23(1):4-7.7 王秀坤,张晓峰.用一组单输出的子网络代替多输出的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 networksJ. Computer Science, , 28(10): 61-63.8 高大启.有教师的线性基本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 networksJ. 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, , 29( 5) : 59-63. WU Hui, QIAN Guodi, HUA Zhaozhe, et al. Optimization of scouring of knitted cotton fabrics with a new-type alkaline pectinaseJ. Journal of Textile Research, , 29( 5) : 59-63.10 Wu C T, McCullough R LConstitutive relationships for heterogeneous materials C/Holister G SDevelopments in Composite MaterialsLondon: 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, 且尽量少引用图书类(M类)文献,多引用近两年来在国内外连续出版物上刊登的论文文献。若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家标准GB 7714 文后参考文献著录规则, 只列主要的, 未公开发表的资料勿引用, 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、 标准、 电子文献等) 要有一一对应的英文内容, 即需将各著录项目均翻译成英文, 且必须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准确性; 若参考文献为非中文类的( 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的工艺优化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 pectinaseJ. Journal of Textile Research, , 29( 5) : 59-63.1) 文后以”参考文献: ”(左顶格)作为标识, 参考文献表按文中引用的先后顺序编码依次排列, 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, 按著录要求规定依次著录, 回行时与首行著录项齐平。每条文献单独排, 最后均以”.”结束。2) 文中引用的参考文献必须在正文中有标注, 如2, 3-5不宜写成345等。3) 题名、 摘要、 标题中不得标注参考文献, 文末按引用顺序著录。作者一律采用姓前名后的方式著录(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) 文献的作者, 期刊名的缩写一律不加缩写点, 缩写的单词要国际通用的缩写方法, 不可随意缩写。5) 多次引用同一著者的同一文献时, 在正文中标注首次引用的文献序号, 并在序号的”外著录引文页码, 如3123。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、 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) 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 -03-14( 1) 8) 题名之后如有其它题名信息, 包括副题名、 多卷书的分卷书名、 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: 其它题名信息文献类型标志( 电子文献必备, 其它文献任选) .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( 联机文献必备, 其它电子文献任选) .获取和访问路径.( 联机文献必备) .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与实现D.上海: 东华大学, .3 Hinton E, Owen D RFinite Element Programming MNew 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 . 析出文献其它责任者/专著主要责任者.专著题名: 其它题名信息. 版本项. 出版地: 出版者, 出版年:析出文献的页码引用日期.获取和访问路径.4 马克思.关于工资、 价格和利润的报告礼记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.天然彩色棉的状况和产业发展的研究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 LConstitutive relationships for heterogeneous materials C/Holister G SDevelopments in Composite MaterialsLondon: Applied Science Publishers Ltd, 1997: 119-187例3 连续出版物( 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. 经等离子体处理的蚕丝纤维结构与性能J. 纺织学报, , 25(3): 9-11.8 丁文祥.数字革命与竞争国际化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 testsJPolymer, , 42(3): 737746例4 专利文献序号 专利申请者或所有者. 专利题名: 专利国别, 专利号文献类型标志.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, 88217670.6P.1989-06-21.11 Narisawa I, Zhan M S, Itii H, et alPolyamide resins: JP Patent, C08J, 100119P1996-04-16例5 电子文献序号 主要责任者.题名: 其它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.大风沙过后的思考N/OL.北京青年报, -04-12( 14) -07-12.14 莫少强.数字式中文全文文献格式的设计与研究J/OL.情报学报, 1999, 18( 4) : 1-6 -07-08.15Online Computer Library Center, IncHistory of OCLCEB/OL -01-08http:/www. 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, 标准 S, 专利 P, 数据库 DB, 计算机程序 CP, 电子公告 EB。2) 电子文献载体类型标志如下: 磁带 MT, 磁盘 DK, 光盘 CD, 联机网络 OL。