本發(fā)明屬于紡紗質量預測與控制技術領域，涉及一種基于煙花算法改進bp神經網絡的紡紗質量預測方法。

背景技術：

紡紗系統(tǒng)處在高溫、高濕以及高電磁等多種因素相互交錯的復雜環(huán)境中，各因素之間存在相互影響的耦合作用關系，加之紡紗生產加工工藝流程復雜且原材料頻繁經歷物理化學的改性過程，使得紡織生產過程中的質量預測與傳統(tǒng)的純機械加工的質量預測相比更加具有挑戰(zhàn)性。特別地，纖維屬性指標呈幾何狀增長，目前已達到300多個，而且紡紗系統(tǒng)中影響因素紗線質量因素眾多且相互之間存在耦合關系，加之纖維屬性與紗線質量特征值之間成非線性相關關系，使得在小樣本數據訓練下利用神經網絡建立紡紗質量預測模型的預測結果，難以滿足紡紗車間生產管理的實際要求。

隨著紡紗生產信息化程度的提高，紡織生產過程中積累了大量的原料、工藝、設備等紗線質量數據，這使得大樣本數據環(huán)境下建立基于神經網絡的紡紗質量預測模型成為可能。但是，在大量訓練樣本數據環(huán)境下，隨著神經網絡預測模型中輸入神經元個數和訓練樣本數據量大幅度增加，神經網絡模型收斂速度慢且易陷入局部最優(yōu)的問題進一步凸顯，在很大程度上制約著紡紗質量預測的精度。

技術實現要素：

本發(fā)明的目的是提供一種基于煙花算法改進bp神經網絡的紡紗質量預測方法，解決了現有神經網絡模型存在的在訓練過程中預測精度低且迭代次數高的的問題。

本發(fā)明基于煙花算法改進bp神經網絡的紡紗質量預測方法，具體按照以下步驟實施：

步驟1，利用煙花算法的尋優(yōu)機理對bp神經網絡模型的網絡權重和閾值進行優(yōu)化，建立一種基于煙花算法優(yōu)化的fwa-bp神經網絡模型；

步驟2，在步驟1的fwa-bp神經網絡模型的基礎之上，選取輸入輸出指標，構建基于fwa-bp的紡紗質量預測模型；

步驟3，利用經過標準化處理的數據集對步驟2中建立的基于fwa-bp的紡紗質量預測模型進行學習和訓練，最終完成對紡紗質量的預測。

本發(fā)明的特點還在于，

步驟1中煙花算法的尋優(yōu)機理對bp神經網絡模型的網絡權重和閾值進行優(yōu)化的具體步驟為：

步驟1.1，關鍵參數編碼，選取實數向量的編碼策略對模型中的關鍵參數進行編碼，記向量x＝[x1,x2,…,xd]表示一組待優(yōu)化的參數，其每一維向量由網絡權重和閾值組成，煙花種群的維數為：d＝niw(1,1)+nb(1,1)+niw(2,1)+nb(2,1)，其中，記niw(1,1)為隱含層與輸出層間的權值的個數，nb(1,1)為隱含層神經元閾值的個數，niw(2,1)為隱含層與輸出層間的權值的個數，nb(2,1)輸出層神經元閾值的個數；

步驟1.2，權重系及閾值初始化，在步驟1.1的基礎之上，利用煙花算法中煙花個體xik的位置表示神經網絡中的神經元，將神經網絡中第k次迭代過程網絡l層中第i個神經元與第j個神經元間的權重系數和閾值θi初始化編碼成向量x＝[x1,x2,…,xd]，并利用隨機初始化的策略把向量x初始在區(qū)間[-1,1]內，則有權重系數wij～u[-1,1]，

其中，i、j分別指的是網絡中第i各神經元節(jié)點與第j各神經元節(jié)點間的權重，l表示的是這個當前權重所處的網絡層數，k表示的是當前的迭代次數；

步驟1.3，計算煙花個體的誤差，引入適應度函數并利用公式(1)和公式(2)計算平方誤差sse，公式(1)和公式(2)如下所示：

其中，t為網絡的期望輸出，p為網絡的層數，s為網絡輸出單元的個數，y為網絡輸出值，其具體如下式：

其中，xj為網絡的輸入，wij為網絡節(jié)點的權重，θi為網絡中第i個神經元的閾值且θi＝-wi(n+1)；

步驟1.4，在步驟1.3計算得到的每個煙花個體xi誤差的基礎上，引入fi(x)函數作為適應度函數，通過適應度函數計算步驟1.2中向量x每一個煙花個體xi的適應度值，適應度函數如公式(3)如下所示，

步驟1.5，煙花種群尋優(yōu)，在步驟1.4的基礎之上，對于每一個煙花個體xi進行爆炸、位移和變異操作，其中爆炸變異操作以及高斯變異映射規(guī)則為公式(4)～公式(6)，

h＝ai×rand(1,-1)(4)

exik＝xik+h(5)

mxik＝xik×e(6)

其中，ai為第i個煙花的爆炸半徑，h為位置偏移量，xik表示種群中第i個煙花的第k維，exik為第i個煙花經過爆炸后的火花，mxik為xik經過高斯變異后的高斯變異火花，e～n(1,1)的高斯分布；

步驟1.6，選擇下一代煙花種群，對于步驟1.5中經過爆炸、位移和變異操作后的煙花個體xi，利用步驟1.4中的公式計算每個煙花個體xi的適應度值，并使用公式(7)和公式(8)的選擇策略，選擇最優(yōu)的煙花個體組成下一代煙花種群，具體的選擇策略為：

選擇適應度值最小的min(f(xi))個體xk直接為一下煙花種群個體，其余的n-1個煙花個體采取輪盤賭方式，對于候選個體xi其被選擇的概率如下式：

其中，r(xi)表示煙花個體xi與其他個體的距離之和，具體如下式；

步驟1.7，判斷終止條件，根據公式(3)和公式(8)計算煙花種群中煙花個體的適應度值f(xi)和煙花個體間的歐式距離r(xi)，并判斷是否終止條件中達到的最大迭代次數，若滿足則計算得到當前煙花種群中的煙花個體的最小適應度值min(f(xi))以及煙花種群中煙花個體間的最大的距離max(r(xi))，并取當前的煙花種群為最優(yōu)的煙花種群xbest，否則繼續(xù)執(zhí)行步驟1.3；

步驟1.8，優(yōu)化網絡權重和閾值，利用步驟1.7中得到最優(yōu)煙花種群xbest對步驟1.2中的向量x中對應的神經網絡中的權重和閾值進行初始化。

步驟2中構建基于fwa-bp的紡紗質量預測模型的具體方法為：

步驟2.1，輸入輸出指標的選擇：選取紡紗生產加工過程中與紗線質量相關的原料、工藝等數據作為輸入變量，選取紗線的cv值為輸出指標，則整個基于fwa-bp的紗線質量預測模型的輸入輸出為：

輸入量為：x1＝棉條含雜率，x2＝粗紗捻系數，x3＝回潮率，x4＝纖維直徑，x5＝纖維長度，x6＝直徑離散系數，x7＝纖維質量不勻率，x8＝纖維牽伸倍數，x9＝細紗鋼絲圈號，x10＝羅拉轉速；輸出量為：y＝紗線cv值；

步驟2.2，根據步驟2.1得到的輸入輸出數據建立模型的數據集，并使用min-max方法對數據集中的數據進行標準化處理；

步驟2.3，確定網絡結構的策略，根據步驟2.1中選取的輸入、輸出指標，確定輸入、輸出及隱含層的層數，fwa-bp紡紗質量預測模型的輸入層的節(jié)點數m＝10，輸出層節(jié)點數n＝1，其中隱層神經元的個數通過下式確定

計算得到s＝7；

步驟2.4，激活函數的選取，輸入層采用tansig激活函數，輸出層采用purelin激活函數，選取trainlm函數作為網絡模型的訓練函數。

步驟3中利用經過標準化處理的數據集對步驟2中建立的基于fwa-bp的紡紗質量預測模型進行學習和預測的具體步驟為：

步驟3.1，訓練數據集的選擇策略，利用步驟2.2中經過標準化處理的數據集，從中選擇80％的數據集作為訓練數據集，剩余20％的數據集作為測試數據集；

步驟3.2，煙花算法中關鍵參數的設置，煙花種群的大小n＝70，煙花爆炸半徑調節(jié)常數d＝5，煙花爆炸火花數調節(jié)常數m＝40，煙花爆炸火花個數上界值lm＝0.8，煙花爆炸火花個數下界值bm＝0.04，高斯變異火花數g＝5,最大迭代次數t＝100，其中變量的維數d＝85，是在步驟1.1的基礎之上取網絡模型中神經元權重和閾值的總數，具體是在步驟2.3的基礎之上通過如下公式計算

d＝m×s+s×n+s+n＝10×7+7×1+7+1＝85

其中，m，s，n分別為網絡的輸入層神經元、隱含層神經元以及輸出層神經元的個數；

步驟3.3，在步驟3.2中煙花算法參數設置的基礎之上，使用步驟3.1中選擇的訓練數據集對基于fwa-bp的紡紗質量預測模型進行訓練，在網絡訓練過程中相關的參數設置為，學習速率為0.01，動量因子為0.9，最大迭代次數為20000，訓練最小誤差為0.05；

步驟3.4，通過步驟3.1～3.3訓練得到了基于fwa-bp的紡紗質量預測模型，使用步驟3.1中選擇的測試數據集，對模型的預測效果進行測試統(tǒng)計分析和實驗仿真。

本發(fā)明與現有技術對比具有以下效果：本發(fā)明提高了紡紗質量預測的精度，降低了網絡的迭代次數。本發(fā)明主要將煙花算法引入到神經網絡模型中，利用煙花爆炸過程中多點同時擴散的機制，對神經網絡模型的權重和閾值進行了優(yōu)化，從而可以減少預測模型的迭代次數，提高模型預測的準確率。

附圖說明

圖1是本發(fā)明基于煙花算法改進bp神經網絡的紡紗質量預測方法的流程圖；

圖2是本發(fā)明基于煙花算法改進bp神經網絡的紡紗質量預測方法中實施例的紡紗質量預測值與實際值的仿真結果圖；

圖3是本發(fā)明基于煙花算法改進bp神經網絡的紡紗質量預測方法中實施例與其他bp神經網絡、ga-bp神經網絡以及pso-bp神經網絡的紡紗質量預測結果對比仿真結果圖；

圖4是本發(fā)明的實施例中通過相同參數訓練得到的基于bp神經網絡建立的輸入變量和輸出變量間映射關系的相關性分析圖；

圖5是本發(fā)明的實施例中通過相同參數訓練得到的基于ga-bp神經網絡建立的輸入變量和輸出變量間映射關系的相關性分析圖；

圖6是本發(fā)明的實施例中通過相同參數訓練得到的基于pso-bp神經網絡建立的輸入變量和輸出變量間映射關系的相關性分析圖；

圖7是本發(fā)明的實施例中提出的基于fwa-bp神經網絡建立的輸入變量和輸出變量間映射關系的相關性分析圖。

具體實施方式

下面結合附圖和具體實施方式對本發(fā)明進行詳細說明。

本發(fā)明實施例中基于煙花算法改進bp神經網絡的紡紗質量預測方法的流程圖，如圖1所示，本發(fā)明基于煙花算法改進bp神經網絡的紡紗質量預測方法，具體按照以下步驟實施：

步驟1，利用煙花算法的尋優(yōu)機理對bp神經網絡模型的網絡權重和閾值進行優(yōu)化，建立一種基于煙花算法優(yōu)化的fwa-bp神經網絡模型，煙花算法的尋優(yōu)機理對bp神經網絡模型的網絡權重和閾值進行優(yōu)化的具體步驟為：

步驟1.1，關鍵參數編碼，選取實數向量的編碼策略對模型中的關鍵參數進行編碼，記向量x＝[x1,x2,…,xd]表示一組待優(yōu)化的參數，其每一維向量由網絡權重和閾值組成，煙花種群的維數為：d＝niw(1,1)+nb(1,1)+niw(2,1)+nb(2,1)，其中，記niw(1,1)為隱含層與輸出層間的權值的個數，nb(1,1)為隱含層神經元閾值的個數，niw(2,1)為隱含層與輸出層間的權值的個數，nb(2,1)輸出層神經元閾值的個數；

步驟1.2，權重系及閾值初始化，在步驟1.1的基礎之上，利用煙花算法中煙花個體xik的位置表示神經網絡中的神經元，將神經網絡中第k次迭代過程網絡l層中第i個神經元與第j個神經元間的權重系數和閾值θi初始化編碼成向量x＝[x1,x2,…,xd]，并利用隨機初始化的策略把向量x初始在區(qū)間[-1,1]內，則有權重系數wij～u[-1,1]，

其中，i、j分別指的是網絡中第i各神經元節(jié)點與第j各神經元節(jié)點間的權重，l表示的是這個當前權重所處的網絡層數，k表示的是當前的迭代次數；

步驟1.3，計算煙花個體的誤差，引入適應度函數并利用公式(1)和公式(2)計算平方誤差sse，公式(1)和公式(2)如下所示：

其中，t為網絡的期望輸出，p為網絡的層數，s為網絡輸出單元的個數，y為網絡輸出值，其具體如下式：

其中，xj為網絡的輸入，wij為網絡節(jié)點的權重，θi為網絡中第i個神經元的閾值且θi＝-wi(n+1)；

步驟1.4，在步驟1.3計算得到的每個煙花個體xi誤差的基礎上，引入fi(x)函數作為適應度函數，通過適應度函數計算步驟1.2中向量x每一個煙花個體xi的適應度值，適應度函數如公式(3)如下所示，

步驟1.5，煙花種群尋優(yōu)，在步驟1.4的基礎之上，對于每一個煙花個體xi進行爆炸、位移和變異操作，其中爆炸變異操作以及高斯變異映射規(guī)則為公式(4)～公式(6)，

h＝ai×rand(1,-1)(4)

exik＝xik+h(5)

mxik＝xik×e(6)

其中，ai為第i個煙花的爆炸半徑，h為位置偏移量，xik表示種群中第i個煙花的第k維，exik為第i個煙花經過爆炸后的火花，mxik為xik經過高斯變異后的高斯變異火花，e～n(1,1)的高斯分布；

步驟1.6，選擇下一代煙花種群，對于步驟1.5中經過爆炸、位移和變異操作后的煙花個體xi，利用步驟1.4中的公式計算每個煙花個體xi的適應度值，并使用公式(7)和公式(8)的選擇策略，選擇最優(yōu)的煙花個體組成下一代煙花種群，具體的選擇策略為：

選擇適應度值最小的min(f(xi))個體xk直接為一下煙花種群個體，其余的n-1個煙花個體采取輪盤賭方式，對于候選個體xi其被選擇的概率如下式：

其中，r(xi)表示煙花個體xi與其他個體的距離之和，具體如下式；

步驟1.7，判斷終止條件，根據公式(3)和公式(8)計算煙花種群中煙花個體的適應度值f(xi)和煙花個體間的歐式距離r(xi)，并判斷是否終止條件中達到的最大迭代次數，若滿足則計算得到當前煙花種群中的煙花個體的最小適應度值min(f(xi))以及煙花種群中煙花個體間的最大的距離max(r(xi))，并取當前的煙花種群為最優(yōu)的煙花種群xbest，否則繼續(xù)執(zhí)行步驟1.3；

步驟1.8，優(yōu)化網絡權重和閾值，利用步驟1.7中得到最優(yōu)煙花種群xbest對步驟1.2中的向量x中對應的神經網絡中的權重和閾值進行初始化。

步驟2，在步驟1的fwa-bp神經網絡模型的基礎之上，選取輸入輸出指標，構建基于fwa-bp的紡紗質量預測模型，構建基于fwa-bp的紡紗質量預測模型的具體步驟為：

步驟2.1，輸入輸出指標的選擇：

考慮到紡紗生產加工過程處在多因素相互耦合作用下，原料、工藝、設備等參數都會對紗線質量產生影響，因而從原料性能、工藝參數、設備參數等方面選取如下表所示的10個指標作為紡紗質量預測模型的輸入，選取紗線cv值作為紡紗質量預測模型的輸出指標。

步驟2.2，根據步驟2.1得到的輸入輸出數據建立模型的數據集，并使用min-max方法對數據集中的數據進行標準化處理；

通過以下公式完成數據的標準化處理：

其中，max(x)為訓練數據集中的最大值，min(x)為訓練數據集中的最大值，通過對數據進行標準化處理后，將訓練數據映射到區(qū)間[0,1]，便于進行綜合評價對比。

步驟2.3，確定網絡結構的策略，根據步驟2.1中選取的輸入、輸出指標，確定輸入、輸出及隱含層的層數，fwa-bp紡紗質量預測模型的輸入層的節(jié)點數m＝10，輸出層節(jié)點數n＝1，其中隱層神經元的個數通過下式確定

其中，m＝10和n＝1分別為網絡的輸入層節(jié)點個數和輸出層節(jié)點個數，計算得到s＝7；

步驟2.4，激活函數的選取，輸入層采用tansig激活函數，輸出層采用purelin激活函數，選取trainlm函數作為網絡模型的訓練函數。

步驟3，利用經過標準化處理的數據集對步驟2中建立的基于fwa-bp的紡紗質量預測模型進行學習和訓練，最終完成對紡紗質量的預測，具體步驟為：

步驟3.1，訓練數據集的選擇策略，取某公司的棉紡紗質量數據，對fwa-bp紡紗質量預測模型算法的有效性進行實驗驗證。在算法模型的訓練過程中，取數據集的前80％的數據為訓練數據集，用于對fwa-bp模型進行訓練，取數據集的后20％的數據為測試集，用于對模型預測性能的測試；

步驟3.2，煙花算法中關鍵參數的設置，根據待優(yōu)化的網絡的權重值和閾值θi的具體優(yōu)化目標，并結合相關文獻中的實驗結果，對煙花算法中的關鍵參數設置為，煙花種群的大小n＝70，煙花爆炸半徑調節(jié)常數d＝5，煙花爆炸火花數調節(jié)常數m＝40，煙花爆炸火花個數上界值lm＝0.8，煙花爆炸火花個數下界值bm＝0.04，高斯變異火花數g＝5,最大迭代次數t＝100，變量的維數d＝85，是在步驟1.1的基礎之上取網絡模型中神經元權重和閾值的總數，具體是在步驟2.3的基礎之上通過如下公式計算

d＝m×s+s×n+s+n＝10×7+7×1+7+1＝85

其中，m，s，n分別為網絡的輸入層神經元、隱含層神經元以及輸出層神經元的個數；

步驟3.3，在步驟3.2中煙花算法參數設置的基礎之上，使用步驟3.1中選擇的訓練數據集對基于fwa-bp的紡紗質量預測模型進行訓練，在網絡訓練過程中相關的參數設置如下，學習速率為0.01，動量因子為0.9，最大迭代次數為20000，訓練最小誤差為0.05；

步驟3.4，通過步驟3.1～3.3訓練得到了基于fwa-bp的紡紗質量預測模型，使用步驟3.1中選擇的測試數據集，對模型的預測效果進行測試統(tǒng)計分析和實驗仿真。

另外，使用步驟2中經過標準化處理的相同的訓練集數據對傳統(tǒng)的bp神經網絡、ga-bp、以及pso-bp等紡紗質量預測模型進行訓練，并計算不同算法預測結果的誤差率和迭代次數。

為了降低實驗過程中的偶然性因素，對同一種算法模型使用同樣的數據訓練測試10次，分別取10次預測的誤差和迭代次數的平均值作為評價該算法的預測誤差值和收斂速度，基于fwa-bp的紗線質量預測模型的訓練結果如表1所示，由表1可以看出：本具體實施提出的基于fwa-bp神經網絡的紡紗質量預測方法，相對于粒子群優(yōu)化的神經網絡(pso-bp)其紡紗質量特征值波動預報的誤差率下降了49.52％，預報的精度達到97.88％，而且該算法的迭代次數減少31.11％。

表1基于fwa-bp的紗線質量預測模型的訓練結果

本發(fā)明中實施例的紡紗質量預測值與實際值的仿真結果圖，如圖2所示，從圖中可以看出本發(fā)明實施例中提出的基于ga-bp神經網絡的紡紗質量預測模型，能夠較好地實現對紡紗質量的預測；

本發(fā)明中實施例與其他bp神經網絡、ga-bp神經網絡以及pso-bp神經網絡的紡紗質量預測結果對比仿真結果圖，如圖3所示，從圖中可以看出基于fwa-bp的神經網絡模型對于紡紗質量的預測結果更接近于實際值；

本發(fā)明中實施例中通過相同參數訓練得到的基于bp神經網絡建立的輸入變量和輸出變量間映射關系的相關性分析圖，如圖4所示，其相關系數r為0.85176；

本發(fā)明中實施例中通過相同參數訓練得到的基于ga-bp神經網絡建立的輸入變量和輸出變量間映射關系的相關性分析圖，如圖5所示，其相關系數r為0.91472；

本發(fā)明中實施例中通過相同參數訓練得到基于pso-bp神經網絡建立的輸入變量和輸出變量間映射關系的相關性分析圖，如圖6所示，其相關系數r為0.92182；

本發(fā)明中實施例中提出的基于fwa-bp神經網絡建立的輸入變量和輸出變量間映射關系的相關性分析圖，如圖7所示，其相關系數r為0.9479。

本發(fā)明將煙花算法引入到神經網絡權值和閾值的優(yōu)化中，提出了一種基于fwa-bp網絡的預測模型，實驗和仿真結果表明，本發(fā)明提出的方法具有較低的預測誤差率和較少的迭代次數，可以有效解決傳統(tǒng)神經網絡預測模型存在的預測精度低且迭代次數高的問題，為大樣本數據下快速有效地解決預測問題提供一種新方法。