谷有眾， 高衛(wèi)東， 盧雨正， 劉建立， 楊瑞華

(江南大學(xué) 紡織服裝學(xué)院， 江蘇 無錫 214122)

應(yīng)用遺傳算法優(yōu)化支持向量回歸機(jī)的噴氣渦流紡紗線質(zhì)量預(yù)測

谷有眾， 高衛(wèi)東， 盧雨正， 劉建立， 楊瑞華

(江南大學(xué) 紡織服裝學(xué)院， 江蘇 無錫 214122)

為探究熟條質(zhì)量對噴氣渦流紡紗線質(zhì)量的影響，建立了遺傳算法優(yōu)化的支持向量回歸機(jī)預(yù)測模型。模型的輸入端參數(shù)為熟條的4項指標(biāo)(條干CV值、回潮率、定量和定量不勻率)，分別對19.7 tex和11.8 tex的滌綸/粘膠(67/33)噴氣渦流紡紗線進(jìn)行強力和條干CV值預(yù)測試驗，同時建立了BP神經(jīng)網(wǎng)絡(luò)模型作對比試驗。2種模型預(yù)測對比分析的結(jié)果表明：遺傳算法優(yōu)化的支持向量回歸機(jī)模型的穩(wěn)定性和精度要比BP神經(jīng)網(wǎng)絡(luò)模型高得多，更適用于描述熟條質(zhì)量與噴氣渦流紡紗線質(zhì)量(單紗強力和紗線條干CV值)間的非線性關(guān)系。

遺傳算法； 支持向量回歸機(jī)； 噴氣渦流紡； 紗線強力； 條干CV值

有關(guān)渦流紡紗線質(zhì)量與前道工序熟條質(zhì)量指標(biāo)之間關(guān)系的研究很少。本文的研究對象為滌綸/粘膠(67/33)的19.7 tex和11.8 tex渦流紡紗線，實驗在MVS-870機(jī)器的單臺單錠上進(jìn)行，將渦流紡的紡紗區(qū)、清紗區(qū)和絡(luò)筒區(qū)看作一個單一的紡紗整體。建立熟條質(zhì)量指標(biāo)和筒子紗質(zhì)量指標(biāo)間的穩(wěn)定映射關(guān)系是本文的研究重點。

國內(nèi)外有關(guān)紗線質(zhì)量預(yù)測的方法很多，如多元線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型，但都存在各自的不足，如：多元線性回歸的方法雖然在描述線性關(guān)系時預(yù)測精度高，但其樣本適用性差，當(dāng)回歸時選用的樣本不同或樣本數(shù)量不同，得到的模型參數(shù)也不一定相同，且不適用于描述熟條質(zhì)量指標(biāo)與紗線質(zhì)量指標(biāo)間的復(fù)雜非線性關(guān)系[1-2]；RBF神經(jīng)網(wǎng)絡(luò)模型的形狀參數(shù)需要經(jīng)過大量試驗才能確定，因此模型建立比較復(fù)雜，且RBF神經(jīng)網(wǎng)絡(luò)模型的容錯能力較BP神經(jīng)網(wǎng)絡(luò)模型要差[3]；BP神經(jīng)網(wǎng)絡(luò)模型在紗強、毛羽和條干等方面的準(zhǔn)確性都比多元線性回歸模型好[4-5]，但在小樣本數(shù)據(jù)的環(huán)境下，其預(yù)測效果并不理想，原因是神經(jīng)網(wǎng)絡(luò)模型是以經(jīng)驗風(fēng)險最小化原則為理論基礎(chǔ)，對于樣本數(shù)據(jù)的要求過高。支持向量回歸機(jī)(support vector regression,SVR)在20世紀(jì)末就提出了，其模型在復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯誤地預(yù)測任意樣本的能力)之間尋求最佳平衡，這樣可以保證在訓(xùn)練樣本有限的情況下避免出現(xiàn)過度擬合的現(xiàn)象，有效地提高模型的泛化能力。

本文采用遺傳算法[6-7]對支持向量回歸機(jī)的2個參數(shù)(懲罰因子c和核函數(shù)參數(shù)g)進(jìn)行優(yōu)化建模，使得紗線質(zhì)量預(yù)測模型更準(zhǔn)確、穩(wěn)定。通過K折交叉的方法對30組數(shù)據(jù)樣本進(jìn)行分組驗證，并與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行對比分析。結(jié)果表明本文模型具有更高的預(yù)測精度和穩(wěn)定性，為小樣本情況下紗線質(zhì)量預(yù)測提供了新的方法。

1 模型構(gòu)建

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

在BP神經(jīng)網(wǎng)絡(luò)以一種誤差反向傳播的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)包含1個輸入層、若干個隱含中間層和1個輸出層，1個3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型可以完成任意N維到H維的映射[8]。本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的參數(shù)見表1。

表1 BP模型中主要參數(shù)

1.2 遺傳算法優(yōu)化的支持向量回歸機(jī)模型

1.2.1 支持向量回歸機(jī)

支持向量回歸機(jī)是建立在統(tǒng)計學(xué)習(xí)理論VC維理論和結(jié)構(gòu)風(fēng)險最小化(SRM)原理的基礎(chǔ)上，在解決非線性回歸問題時，通過使用非線性映射將低維輸入空間的樣本映射到高維屬性空間使其變?yōu)榫€性可分的情況，從而使得在高維屬性空間采用線性算法對樣本的非線性進(jìn)行分析。其基本思想是求解核函數(shù)和二次規(guī)劃問題，通過核函數(shù)將數(shù)據(jù)映射到高維空間來解決非線性可分的問題[9-10]。本文的SVR模型中核函數(shù)選擇RBF核，RBF核函數(shù)的公式[11]為

(1)

式中：x和x*是特征向量；σ是決定徑向基核函數(shù)的帶寬，k(x,x*)為核函數(shù)。

1.2.2 遺傳算法設(shè)計

遺傳算法是一種模擬生物進(jìn)化過程搜索最優(yōu)解的智能算法，參數(shù)設(shè)置見表2。算法的核心步驟如下。

表2 本文模型算法中主要參數(shù)

1.2.2.1 個體適應(yīng)度函數(shù)f遺傳算法進(jìn)行參數(shù)尋優(yōu)時，選擇測試集的期望樣本輸出與預(yù)測的輸出均方根誤差的倒數(shù)平均值作為個體最終的適應(yīng)度值，如式(2)、(3)所示。

(2)

(3)

1.2.2.2 遺傳操作 遺傳操作包括選擇、交叉、變異。

1)選擇操作：選擇算子采用賭輪盤的方法，設(shè)種群的大小為M，其中個體j的適應(yīng)度值為fj，則j被選擇的概率為Psj。

(4)

2)交叉操作：本文使用算數(shù)交叉法，算數(shù)交叉實質(zhì)為2個個體的線性組合來產(chǎn)生新的個體。設(shè)2個個體為Xa、Xb，算數(shù)交叉過程為：

(5)

3)變異操作：變異操作采用單重均勻變異法，在個體的基因中均勻隨機(jī)地選擇一個變異元Xi，根

據(jù)變異元的取值范圍(本文范圍為(0,16])均勻隨機(jī)地選擇一個隨機(jī)數(shù)來替代原基因的值，變異操作能恢復(fù)個體失去的或未開發(fā)的遺傳物質(zhì)。

1.2.3 遺傳算法優(yōu)化SVR模型的流程

選用MatLab2012b進(jìn)行建模。SVR模型選定后，還需要對模型中的懲罰參數(shù)c和核函數(shù)參數(shù)g進(jìn)行最優(yōu)化選定,g與帶寬σ的關(guān)系如式6所示。

(6)

優(yōu)化的算法流程如圖1所示(圖中g(shù)en為當(dāng)前迭代的代數(shù)，Gmax為最大迭代代數(shù))。

1)根據(jù)經(jīng)驗給出c和g值的范圍為(0,16]；

s2)隨機(jī)初始化種群(c和g2個值)，并進(jìn)行浮點數(shù)編碼；

3)遺傳算法優(yōu)化參數(shù)時，對29組訓(xùn)練樣本進(jìn)行29次交叉訓(xùn)練和驗證，求出計算平均適應(yīng)度值，并選出適應(yīng)度值最好的個體；

4)選擇交叉變異種群，對訓(xùn)練樣本進(jìn)行交叉訓(xùn)練和驗證，并計算平均適應(yīng)度值，與之前的最好適應(yīng)度值進(jìn)行對比進(jìn)行取舍，重復(fù)4)直至達(dá)到迭代步數(shù)Gmax；

5)對最終具有最優(yōu)適應(yīng)度值的種群進(jìn)行解碼，即可得到最優(yōu)的懲罰因子c和核函數(shù)參數(shù)g。

2 實驗方案

本文以滌綸/粘膠(67/33)的19.7 tex和11.8 tex渦流紡紗線為研究對象，由于渦流紡紗線質(zhì)量與熟條質(zhì)量關(guān)系密切，因此模型的輸入端為熟條的4項質(zhì)量指標(biāo)(熟條條干CV值、熟條回潮率、熟條的定量和熟條的定量不勻率)，預(yù)測指標(biāo)為紗線單紗強力和紗線的條干CV值。

樣本數(shù)據(jù)包括：30組熟條4項質(zhì)量指標(biāo)的樣本數(shù)據(jù)、30組19.7 tex紗線質(zhì)量指標(biāo)樣本數(shù)據(jù)(包括單紗強力和條干CV值)、30組11.8 tex紗線質(zhì)量指標(biāo)樣本數(shù)據(jù)(包括單紗強力和條干CV值)。分別對19.7 tex和11.8 tex的單紗強力和條干CV值進(jìn)行預(yù)測。

采用K折交叉驗證[12](K Cross-validation)的方法，如圖2所示。

將30組樣本數(shù)據(jù)統(tǒng)一編號為Xi(i=1,2,…,30)，共進(jìn)行30組預(yù)測實驗，實驗編號為Ti(i=1,2,…,30)，實驗時，Xi中的1組數(shù)據(jù)被作為測試樣本，其余的29份數(shù)據(jù)作為訓(xùn)練集，當(dāng)使用遺傳算法優(yōu)化參數(shù)時，采用交叉驗證的方法將訓(xùn)練集的29個樣本分為29組，每次取其中28組用來訓(xùn)練，剩余的1組用來驗證，這樣將29組交叉驗證所得到的適應(yīng)度值的均值作為Ti組實驗所得最終的個體適應(yīng)度值。此方法保證了每組樣本數(shù)據(jù)被作為訓(xùn)練樣本的次數(shù)是相同的，并且每組數(shù)據(jù)只被測試1次，這樣可以合理地對預(yù)測模型的準(zhǔn)確性和可靠性進(jìn)行驗證。

3 實驗結(jié)果與分析

將本文的遺傳算法優(yōu)化SVR預(yù)測模型與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行單紗強力和紗線條干CV值的預(yù)測對比實驗。表3示出2種模型分別預(yù)測紗線強力和紗線條干CV值得到誤差。

表3 2種模型預(yù)測時的最大相對誤差

3.1 紗線強力預(yù)測

2種模型對19.7 tex和11.8 tex紗線的強力預(yù)測所得的結(jié)果與實際值的相關(guān)性分析如圖3、4所示。

從圖3、4可以看出，本文模型對19.7 tex和11.8 tex紗線的強力預(yù)測值與實際值的相關(guān)性系數(shù)皆在0.9以上，說明該模型對單紗強力的預(yù)測效果較BP神經(jīng)網(wǎng)絡(luò)要好。為了進(jìn)一步描述模型的預(yù)測效果，按相對誤差所在范圍(相對誤差范圍誤差范圍分為：[0,1%)，[1%,2%)，[2%,3%)，[3%,4%)，≥4%)進(jìn)行樣本個數(shù)統(tǒng)計，2種模型的統(tǒng)計結(jié)果如圖5、6所示。圖5、6分別對2種紗線強力預(yù)測結(jié)果的相對誤差范圍進(jìn)行了統(tǒng)計，可以看出，優(yōu)化后SVR模型的相對誤差主要分布在0～2%內(nèi)，而BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測結(jié)果在5組范圍中的分布較均勻，這同樣證明了BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的單紗強力預(yù)測精度及穩(wěn)定性皆不如本文模型。

3.2 紗線條干CV值預(yù)測

對2個品種紗線條干CV值的預(yù)測結(jié)果與實際值的相關(guān)性進(jìn)行對比分析，如圖7、8所示。圖7(a)與圖8(a)中相關(guān)系數(shù)分別達(dá)到了0.906和0.934，而圖7(b)與圖8(b)中相關(guān)系數(shù)只有0.771和0.862，這說明優(yōu)化后的SVR模型對紗線條干CV值的預(yù)測更精確。

圖9、10分別示出對2種紗線條干CV值預(yù)測結(jié)果的相對誤差范圍進(jìn)行的統(tǒng)計結(jié)果。圖9中優(yōu)化后SVR模型的預(yù)測相對誤差在[0,1%)范圍內(nèi)的樣本數(shù)達(dá)到了22組，而相對誤差大于等于3%的樣本數(shù)為0。雖然相對誤差在[0,1%)范圍內(nèi)的樣本數(shù)，BP神經(jīng)網(wǎng)絡(luò)比SVR模型要稍高，然而相對誤差范圍在[1%,2%)和[2%,3%)的樣本個數(shù)，SVR模型均要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型在大于3%的相對誤差范圍內(nèi)比SVR占有高的樣本數(shù)，且從5個相對誤差范圍整體來看，神經(jīng)網(wǎng)絡(luò)的預(yù)測穩(wěn)定性要差。從表3也可以發(fā)現(xiàn)，對于紗線條干CV值的預(yù)測來看，優(yōu)化后SVR模型預(yù)測所得的最大相對誤差要遠(yuǎn)小于BP神經(jīng)網(wǎng)絡(luò)模型。綜合以上分析，本文模型對紗線條干CV值的預(yù)測穩(wěn)定性好，精度高。

4 結(jié)束語

通過采用遺傳算法對支持向量回歸機(jī)中的參數(shù)進(jìn)行優(yōu)化，從而建立起遺傳算法優(yōu)化的SVR紗線質(zhì)量預(yù)測模型，同時建立BP神經(jīng)網(wǎng)絡(luò)模型。采用交叉驗證的方法將30個樣本數(shù)據(jù)分為訓(xùn)練集和測試集，分別對滌綸/粘膠(67/33)的19.7 tex和11.8 tex噴氣渦流紡紗線進(jìn)行2種模型的紗線強力和條干CV值的預(yù)測對比實驗。對預(yù)測實驗的結(jié)果進(jìn)行統(tǒng)計分析表明，在小樣本數(shù)據(jù)的情況下，不論是19.7 tex還是11.8 tex的紗線，對于紗線強力和紗線條干CV值的預(yù)測準(zhǔn)確度和穩(wěn)定性而言，本文模型比神經(jīng)網(wǎng)絡(luò)模型要好，這對于進(jìn)行其他的纖維品種、混紡比和支數(shù)的噴氣渦流紡紗線質(zhì)量預(yù)測研究具有重要的借鑒意義。

FZXB

[1] GUHA Anirban, CHATTOPADHYAY R, JAYADEVA. Predicting yarn tenacity: a comparison of mechanistic, statistical, and neural network models [J]. The Journal of The Textile Institute, 2001, 92(2):139-145.

[2] BABAY A, CHEIKHROUHOU M, VERMEULEN B, et al. Selecting the optimal neural network architecture for predicting cotton yarn hairiness [J]. The Journal of The Textile Institute, 2005, 96(3):185-192.

[3] 李翔, 彭志勤, 金鳳英, 等. 基于神經(jīng)網(wǎng)絡(luò)的精紡毛紗性能預(yù)測模型比較[J]. 紡織學(xué)報， 2011, 32(3):51-56. LI Xiang, PENG Zhiqin, JIN Fengying, et al. Comparing prediction models for worsted yarn performances based on neutral networks[J]. Journal of Textile Research, 2011, 32(3):51-56.

[4] MUSTAFA E, üREYEN, PELIN GüRKAN. Comparison of artificial neural network and linear regression models for prediction of ring spun yarn properties[J]. Fibers and Polymers, 2008, 9(1):87-96.

[5] 董奎勇, 于偉東. 基于BP神經(jīng)網(wǎng)絡(luò)的紗線質(zhì)量預(yù)報模型[J].東華大學(xué)學(xué)報, 2005, 31(2): 88-92. DONG Kuiyong, YU Weidong. Yarn properties prediction model based on BP neural network[J]. Journal of Donghua University, 2005, 31(2):88-92.

[6] 馬永杰, 云文霞. 遺傳算法研究進(jìn)展[J]. 計算機(jī)應(yīng)用研究, 2012, 29(4): 1201-1210. MA YongJie, YUN Wenxia. Research progress of genetic algorithm[J]. Application Research of Computers, 2012, 29(4):1201-1210.

[7] HECHT Nielsen R. Neuro Computing[M]. Munchen: Addison Wesley, 1990:124-133.

[8] 陳峰, 武小悅. 基于定向變異算子的求解GA欺騙問題的研究[J]. 系統(tǒng)工程與電子技術(shù), 2009, 31(1): 204-207. CHEN Feng, WU Xiaoyue. Directed mutation operator in the research of solving GA deceptive problem[J]. Systems Engineering and Electronics, 2009, 31(1):204-207.

[9] 項前,楊建國,程隆棣.支持向量機(jī)的紗線質(zhì)量預(yù)測[J].紡織學(xué)報, 2008,29(4):43-46. XIANG Qian, YANG Jianguo, CHENG Longdi. Yarn quality prediction by support vector machine method[J].Journal of Textile Research, 2008,29(4):43-46.

[10] ANINDYA G, PRITAM C. Prediction of cotton yarn properties using support vector machine[J]. Fibers and Polymers, 2010,11(1):84-88.

[11] 鄧乃揚，田英杰．?dāng)?shù)據(jù)挖掘中的新方法一支持向量

機(jī)[M]．北京：科學(xué)出版社, 2004: 96-123. DENG Naiyang, TIAN Yingjie. New Method in Data Mining: Support Vector Machine[M]. Beijing: Science Press, 2004: 96-123.

[12] 李艷芳, 王鈺, 李濟(jì)洪. 幾種交叉驗證檢驗的可重復(fù)性[J]. 太原師范學(xué)院學(xué)報, 2013, 12(4): 46-49. LI Yanfang, WANG Yu, LI Jihong. Repeatability of several kinds of cross validation[J]. Journal of Taiyuan Normal University,2013,12(4):46-49.

Prediction of vortex yarn properties based on hybrid genetic algorithm and support vector regression

GU Youzhong, GAO Weidong, LU Yuzheng, LIU Jianli, YANG Ruihua

(CollegeofTextileandClothing,JiangnanUniversity,Wuxi,Jiangsu214122，China)

In order to make a primary research in the relationship between the quality of drawing sliver and the quality of vortex spinning yarn. Support vector regression machine prediction model optimized by genetic algorithm is built up. 19.7 tex and 11.8 tex vortex spinning blended yarns of polyester and viscose(the blending ratio of 67∶33)are selected as the experiment object. Yarn strength and CV value of yarn unevenness are predicted while four quality parameters of drawing sliver (CV value of yarn unevenness, moisture regain, quantification of sliver and unevenness of quantification) are used as the input parameters of prediction model. BP neural network model is also built to make a comparison with the aforementioned model. The comparison result between these two models shows that the model of the optimized support vector regression machine performed a more powerful reliability and accuracy and it can describe the non-linear relationship between the quality of sliver and the quality of vortex spinning yarn more appropriately than BP model.

genetic algorithm; support vector machine; vortex-spinning; yarn strength; CV value

10.13475/j.fzxb.20150604207

2015-06-23

2015-12-02

國家自然科學(xué)基金項目(51403085)；江蘇省自然科學(xué)基金項目(BK20130148)；江蘇省產(chǎn)學(xué)研基金項目(BY2014023-24)；留學(xué)回國人員科研啟動基金項目(2014-1685)；江蘇省社科基金指導(dǎo)項目(2011SJD760004)

谷有眾(1990—)，男，碩士生。主要研究方向為噴氣渦流紡紗線質(zhì)量預(yù)測。高衛(wèi)東，通信作者，E-mail: gaowd3@163.com。

TS 111.8

A