易志建

(廣州纖維產(chǎn)品檢測研究院，廣東 廣州 511447)

?

基于BP神經(jīng)網(wǎng)絡(luò)的織物風(fēng)格評價(jià)研究

易志建

(廣州纖維產(chǎn)品檢測研究院，廣東 廣州 511447)

文章采用MATLAB7.0環(huán)境編程，充分利用人工神經(jīng)網(wǎng)絡(luò)對非線性系統(tǒng)極強(qiáng)的模擬能力以及根據(jù)具體問題靈活處理的柔性網(wǎng)絡(luò)結(jié)構(gòu)來構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的織物風(fēng)格評價(jià)模型。研究表明該模型對織物風(fēng)格評定的可靠度和精度較好，具有一定的應(yīng)用價(jià)值。

BP神經(jīng)網(wǎng)絡(luò)；模式識別；評價(jià)模型；織物風(fēng)格

1 引言

織物風(fēng)格是人們憑觸覺、視覺等官能獲得的關(guān)于織物品質(zhì)的評價(jià)，多數(shù)情況下以觸覺為主。長期以來，織物風(fēng)格評價(jià)主要是由專家的主觀官感評價(jià)決定，雖具有權(quán)威性，但操作要求高，不易掌握。近年來，國內(nèi)外對織物風(fēng)格的評定方法進(jìn)行了大量研究，最具代表性的是日本的川端季雄研制的織物風(fēng)格測試儀。他認(rèn)為織物風(fēng)格是若干力學(xué)分量綜合作用的結(jié)果，只要分別測量織物的各個(gè)力學(xué)值，借助回歸法建立優(yōu)化的風(fēng)格值與力學(xué)量的關(guān)系模型，即可計(jì)算出織物的風(fēng)格值。此外，其他一些研究者還根據(jù)織物力學(xué)指標(biāo)的作用程度，利用模糊聚類法、系統(tǒng)聚類法等對織物的風(fēng)格進(jìn)行鑒別和分類。這些研究集中探討了織物的力學(xué)指標(biāo)與織物風(fēng)格之間的關(guān)系，即建立織物基本風(fēng)格與力學(xué)指標(biāo)間的數(shù)學(xué)模型。然而，服裝面料風(fēng)格的評價(jià)是一個(gè)帶有消費(fèi)者主觀意識的產(chǎn)物，不同的消費(fèi)群體、消費(fèi)領(lǐng)域，對織物風(fēng)格的要求是不同，因而這些模型在實(shí)際應(yīng)用中都存在某些缺陷[1]。

人工神經(jīng)網(wǎng)絡(luò)是近年來國內(nèi)外正在研究的一種熱點(diǎn)技術(shù)。由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、容錯(cuò)性、分類能力強(qiáng)和并行處理等特點(diǎn)，可以不斷挖掘出研究對象之間內(nèi)在關(guān)系，以實(shí)現(xiàn)最終問題的求解。因此，本文基于BP神經(jīng)網(wǎng)絡(luò)對織物風(fēng)格進(jìn)行了分析和評價(jià)研究。

2 BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)，即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛的一種[2-3]。它由輸入層、隱含層和輸出層構(gòu)成。假設(shè)BP神經(jīng)網(wǎng)絡(luò)每層有N個(gè)節(jié)點(diǎn)，作用函數(shù)為非線性的Sigmoid型函數(shù)，一般采用f(x)=1/(1+e-x)，學(xué)習(xí)集包括M個(gè)樣本模式(Xp，Yp)。對第P個(gè)學(xué)習(xí)樣本(P=1，2，…，M)，節(jié)點(diǎn)j的輸總和記為netpj，輸出記為Opj，則：

(1)

如果任意設(shè)置網(wǎng)絡(luò)初始權(quán)值，那么對每個(gè)輸入樣本P，網(wǎng)絡(luò)輸出與期望輸出(dpj)間的誤差為：

(2)

BP網(wǎng)絡(luò)的權(quán)值修正公式為：

Wji=Wji(t)+η δpjOpj

(3)

(4)

上式中引入學(xué)習(xí)速率η，是為了加快網(wǎng)絡(luò)的收斂速度。通常權(quán)值修正公式中還需加一個(gè)慣性參數(shù)a，從而有：

Wkj=Wkj(t)+ηδpjOpj+a(Wkj(t)-Wji(t-1))

(5)

式中，a為一常數(shù)項(xiàng),它決定上一次的權(quán)值對本次權(quán)值的影響。其具體算法步驟詳見文獻(xiàn)[4]。

3 織物風(fēng)格評價(jià)模型的建立與訓(xùn)練

3.1 樣本數(shù)據(jù)的選擇

現(xiàn)有的研究結(jié)果表明，織物風(fēng)格由織物本身的物理、力學(xué)性能所確定，這些性能主要包括織物的抗彎特性、摩擦特性、壓縮特性及表面特性等。而中厚織物的基本風(fēng)格有硬挺度、豐滿度和光滑度。被測樣品的工藝參數(shù)均不相同，有15名專家進(jìn)行了主觀評定，主觀評定由10個(gè)等級描述。樣本數(shù)據(jù)[5]見表1、表2，其中表1作為網(wǎng)絡(luò)的輸入信號，表2作為網(wǎng)絡(luò)的目標(biāo)輸出。

表1 網(wǎng)絡(luò)的輸入信號

3.2 建立BP神經(jīng)網(wǎng)絡(luò)模型

①首先確立網(wǎng)絡(luò)的結(jié)構(gòu)，設(shè)置合理的網(wǎng)絡(luò)參數(shù)(如學(xué)習(xí)速率)，進(jìn)行網(wǎng)絡(luò)權(quán)值及閾值初始化。采用3層BP神經(jīng)網(wǎng)絡(luò)：第一層是輸入層，輸入表1中1～12號共12個(gè)樣本，每個(gè)樣本有10個(gè)相關(guān)因素，分別是活絡(luò)率、彎曲剛性、靜摩擦因數(shù)、動(dòng)摩擦因數(shù)、穩(wěn)定厚度、壓縮彈性率、比壓縮彈性率、蓬松度、起拱殘留率、面密度因此輸入層設(shè)定10個(gè)神經(jīng)元；第二層是隱含層，隱含層神經(jīng)元節(jié)點(diǎn)數(shù)是根據(jù)網(wǎng)絡(luò)模型訓(xùn)練時(shí)所產(chǎn)生的誤差大小而確定的。第三層是輸出層，由于輸出參數(shù)有硬挺度、豐滿度和光滑度，因此輸出層設(shè)3個(gè)神經(jīng)元節(jié)點(diǎn)。

②確定模型所需的訓(xùn)練樣本，對每個(gè)樣本重復(fù)步驟③～⑥。

③計(jì)算網(wǎng)絡(luò)的實(shí)際輸出。

每個(gè)神經(jīng)元上作用的函數(shù)常用Sigmoid型非線性函數(shù)：

f(x)=1/(1+e-x)

(6)

(7)

Ok=f(netk)

(8)

其中，為從神經(jīng)元Uk到上一層的神經(jīng)元Uj的連接權(quán)重值；Oj為神經(jīng)元Uj的輸出，netk為神經(jīng)元Uk的輸入值；Ok為Uk神經(jīng)元的輸出；θk為神經(jīng)元Uk的閾值。由式(7)和式(8)計(jì)算神經(jīng)元Uk的輸入值和輸出值。中間隱含層和輸出層的神經(jīng)元的輸入/輸出也采用這種計(jì)算方法。

④計(jì)算網(wǎng)絡(luò)的反向誤差。若樣本容量是k，n是輸出節(jié)點(diǎn)個(gè)數(shù)(在此n=1)，網(wǎng)絡(luò)的收斂目標(biāo)是網(wǎng)絡(luò)輸出層的輸出值與實(shí)際值的總誤差最小。

(9)

⑤權(quán)重學(xué)習(xí)，修改各層的權(quán)重值和閥值。

當(dāng)誤差不滿足精度要求時(shí)，將方差對權(quán)重偏導(dǎo)，按梯度下降法修正層間權(quán)重值，不斷迭代，致使直到滿足精度E趨向0為止。權(quán)值的調(diào)整按下述方法進(jìn)行，其中，η為學(xué)習(xí)速率。

Δωij=-η?E/?ωij=η δiOi

(10)

(11)

(12)

式(12)中，為所有與隱含層的神經(jīng)元相連的輸出層神經(jīng)元Wli的反傳誤差，于是權(quán)值的修正公式為：

ωij=ωij-Δωij=ωij-η δiOi

(13)

若滿足精度要求，可對織物風(fēng)格評定，否則轉(zhuǎn)向②。

這里神經(jīng)網(wǎng)絡(luò)模型采用DPS數(shù)據(jù)處理系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)的有指導(dǎo)下的訓(xùn)練，即以15組數(shù)據(jù)作為直接訓(xùn)練數(shù)據(jù)，6組數(shù)據(jù)作為訓(xùn)練檢驗(yàn)和驗(yàn)證數(shù)據(jù)。學(xué)習(xí)算法采用動(dòng)量法，學(xué)習(xí)率采用自適應(yīng)調(diào)整算法。進(jìn)入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，可按網(wǎng)絡(luò)結(jié)構(gòu)確定網(wǎng)絡(luò)參數(shù)，這里輸入層設(shè)定10個(gè)神經(jīng)元，隱含層l層，隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為20，Sigmoid參數(shù)為0.9，允許誤差0.0001，最大訓(xùn)練次數(shù)2000，并對輸入節(jié)點(diǎn)的數(shù)值進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換。

反復(fù)訓(xùn)練調(diào)整網(wǎng)絡(luò)參數(shù)后確定該模型采用LvenbergMarquardt算法，訓(xùn)練函數(shù)為trainlm。該網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)采用logsig作為傳遞函數(shù)，輸出層節(jié)點(diǎn)采用purelin作為傳遞函數(shù)[6]。

圖1為網(wǎng)絡(luò)訓(xùn)練過程的誤差變化曲線圖。實(shí)驗(yàn)中發(fā)現(xiàn)，模擬復(fù)雜程度不高的非線性關(guān)系采用這種網(wǎng)絡(luò)結(jié)構(gòu)可以達(dá)到比較好的效果，在訓(xùn)練9次后精度已達(dá)到10-4，該網(wǎng)絡(luò)模型能滿足預(yù)設(shè)精度，訓(xùn)練成功。

4 網(wǎng)絡(luò)模型預(yù)測結(jié)果與分析

BP網(wǎng)絡(luò)運(yùn)行多次后(這里隱含層神經(jīng)元個(gè)數(shù)取12)，樣本誤差為0.0001。學(xué)習(xí)訓(xùn)練樣本組(1#～10#)的擬合值與專家評定值如圖2所示，無學(xué)習(xí)訓(xùn)練的BP網(wǎng)絡(luò)輸出的擬合值與專家評定值如圖3所示，根據(jù)BP神經(jīng)網(wǎng)絡(luò)對檢驗(yàn)和驗(yàn)證組(10#～15#)進(jìn)行的預(yù)測的結(jié)果與專家評定值的比較如圖4、圖5、圖6所示。

圖1 網(wǎng)絡(luò)訓(xùn)練過程的誤差變化曲線圖

圖2 訓(xùn)練后的BP網(wǎng)絡(luò)模型輸出擬合曲線

圖3 未經(jīng)訓(xùn)練的BP網(wǎng)絡(luò)模型輸出擬合曲線

圖4 BP網(wǎng)絡(luò)模型輸出硬挺度預(yù)測曲線

預(yù)測結(jié)果表明：系統(tǒng)通過學(xué)習(xí)樣本的學(xué)習(xí)具備了一定的聯(lián)想識別能力，可以正確識別陌生樣本，不僅對學(xué)習(xí)樣本的擬合程度高，而且6個(gè)檢驗(yàn)和驗(yàn)證樣本的預(yù)測結(jié)果與專家評定值非常接近(見表3)。隨著更多試驗(yàn)數(shù)據(jù)的積累和網(wǎng)絡(luò)的不斷訓(xùn)練，會進(jìn)一步減少網(wǎng)絡(luò)訓(xùn)練時(shí)的振蕩，使預(yù)測結(jié)果波動(dòng)范圍不斷減小。

圖5 BP網(wǎng)絡(luò)模型輸出豐滿度預(yù)測曲線

圖6 BP網(wǎng)絡(luò)模型輸出光滑度預(yù)測曲線

樣本硬挺度專家預(yù)測豐滿度專家預(yù)測光滑度專家預(yù)測10.890.86980.840.83650.800.802020.790.79060.700.69960.800.821430.830.82990.790.78910.690.694040.790.79040.890.88030.790.786450.840.84070.730.72350.970.969960.890.88990.830.83090.760.7664

5 結(jié)語

5.1 BP神經(jīng)網(wǎng)絡(luò)有對非線性系統(tǒng)很強(qiáng)的模擬能力，具有可根據(jù)具體問題靈活處理的柔性網(wǎng)絡(luò)結(jié)構(gòu)，可將一組樣本的輸人輸出問題變?yōu)橐粋€(gè)非線形優(yōu)化問題。經(jīng)過多次訓(xùn)練后，網(wǎng)絡(luò)具有極強(qiáng)的逼近能力。

5.2 BP神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)和自組織能力，對織物風(fēng)格主觀評定的尺度，具有較強(qiáng)的適應(yīng)性，通過對不同樣本集的訓(xùn)練，可以適應(yīng)特定條件下的模式識別[7]，從而在一定程度上彌補(bǔ)了以往風(fēng)格評定模型中的一些缺陷。

[1] 洪志貴．織物風(fēng)格評價(jià)的研究[J]．紡織學(xué)報(bào).1993，14(4)：160—163.

[2] 張立明.人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M].上海：復(fù)旦大學(xué)出版社, 1995.

[3] 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安：西安電子科技大學(xué)出版社，1990.

[4] Kandel E R，Schwarts J. Principles of Neural Science[M].Elsevier，1985.

[5] 曹安照.RBF神經(jīng)網(wǎng)絡(luò)在織物風(fēng)格評價(jià)中的應(yīng)用[J].紡織學(xué)報(bào)，2005，26(6)：27—3.

[6] 從爽．面向Matlab工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].合肥：中國科學(xué)技術(shù)大學(xué)出版社，1998．

[7] 嚴(yán)灝景，潘寧.織物風(fēng)格的客觀評價(jià)的模式識別方法[J].紡織學(xué)報(bào)，1984，6(12)：27—3.

Researches on Fabric Handle Assessment Based on BP Neural Networks

YiZhijian

(Guangzhou Fiber Product Testing and Research Institute, Guangzhou 511447, China)

The paper set up a fabric handle assessment model based on BP neural networks. It took full advantage of artificial neural network’s powerful simulative function and capacity of flexible network structure to deal with issue flexibly. Research shows that with good reliability and precision, the model has certain application value.

BP neural network; process parameter; forecasting model; fabric style

2017-03-14

易志建(1987—)，男，廣東佛山人，助理工程師。

TS101.1

A

1009-3028(2017)03-0036-04