基于神经网络的聚合物挤出法非织造布纤维直径预测方法
专利汇可以提供基于神经网络的聚合物挤出法非织造布纤维直径预测方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种基于神经网络的 聚合物 挤出法非织造布 纤维 直径预测方法。包括步骤：(1)获取有关工艺参数和纤维直径数据；(2)建立误差反向传播神经网络；(3)对神经网络进行训练和测试；(4)利用通过测试的神经网络进行预测。该方法能准确、快速地预测聚合物挤出法非织造布纤维直径，提高聚合物挤出法非织造布的产品 质量 。，下面是基于神经网络的聚合物挤出法非织造布纤维直径预测方法专利的具体信息内容。
1.一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法，包括如下步骤：
(1)获取有关工艺参数和纤维直径数据；
(2)建立误差反向传播神经网络；
(3)对神经网络进行训练和测试；
(4)利用通过测试的神经网络进行预测。
2.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法， 其特征在于：获取有关工艺参数和纤维直径数据必须通过获取聚合物流量、聚合物初始温 度、气流初始速度、气流初始温度及相应的纤维直径测量值来实现。
3.根据权利要求2所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法， 其特征在于：工艺参数和纤维直径数据必须通过获取至少20组工艺参数和纤维直径测量 值才能实现，还必须将所有数据归一化到-1和1之间。
4.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法， 其特征在于：神经网络由一个输入层、一个隐层和一个输出层组成。
5.根据权利要求4所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法， 其特征在于：输入层有4个神经元，隐层有2个神经元，输出层有1个神经元。
6.根据权利要求5所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法， 其特征在于：隐层神经元的传递函数采用正切Sigmoid函数，输出层神经元的传递函数采 用线性函数。
7.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法， 其特征在于：对神经网络进行训练和测试是将步骤(1)获取的数据分成两批，占总数三分 之二的数据为一批，用于训练神经网络，占总数三分之一的数据为另一批，用于测试神经 网络。
8.根据权利要求1或7所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测 方法，其特征在于：神经网络利用误差反向传播算法进行训练。
9.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法， 其特征在于：训练神经网络时采用贝叶斯正则化方法。
10.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法， 其特征在于：神经网络在各组测试数据的预测误差均低于规定水平时即通过测试，可以用 于预测工作。
11.根据权利要求1或10所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预 测方法，其特征在于：利用通过测试的神经网络进行预测必须将输入数据归一化到-1和1 之间，再输入到通过测试的神经网络中，并将计算出来的网络输出进行反归一化，就得到 纤维直径预测值。
技术领域
本发明属于纺织领域，特别涉及一种基于神经网络的聚合物挤出法非织造布纤维直径 预测方法。
背景技术
发明内容
本发明是通过如下技术方案实现的：
一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法，包括如下步骤：
(1)获取有关工艺参数和纤维直径数据；
(2)建立误差反向传播神经网络；
(3)对神经网络进行训练和测试；
(4)利用通过测试的神经网络进行预测。
所述的获取有关工艺参数和纤维直径数据，必须通过获取聚合物流量、聚合物初始温 度、气流初始速度、气流初始温度及相应的纤维直径测量值来实现；
所述的工艺参数和纤维直径数据，必须通过获取至少20组工艺参数和纤维直径测量值 才能实现，还必须将所有数据归一化到-1和1之间；
所述的神经网络由一个输入层、一个隐层和一个输出层组成。输入层有4个神经元(对 应聚合物流量、聚合物初始温度、气流初始速度、气流初始温度这四个工艺参数)，隐层 有2个神经元，输出层有1个神经元(对应纤维直径)；
所述的隐层神经元的传递函数采用正切Sigmoid函数，输出层神经元的传递函数采用 线性函数；
所述的对神经网络进行训练和测试是将步骤(1)获取的数据分成两批，占总数三分之二 的数据为一批，用于训练神经网络，占总数三分之一的数据为另一批，用于测试神经网络。
所述的神经网络利用误差反向传播算法进行训练；
所述的在训练神经网络时采用贝叶斯正则化方法，以提高神经网络的推广能力；
所述的神经网络在各组测试数据的预测误差均低于规定水平时即通过测试，可以用于 预测工作；
所述的利用通过测试的神经网络进行预测必须将输入数据归一化到-1和1之间，再输 入到通过测试的神经网络中，并将计算出来的网络输出进行反归一化，就得到纤维直径预 测值。
神经网络是由大量、同时也是简单的处理单元(即神经元)广泛地相互连接而形成的 复杂网络系统。各个神经元之间的连接不仅是传送信号的通道，但更重要的是在每对神经 元之间的连接上有一个加权系数(即权值)，它可以加强或减弱上一个神经元的输出对下 一个神经元的刺激。每个神经元的输入是与该神经元相连的所有神经元传递给该神经元信 号的加权和。每个神经元还有一个传递函数，传递函数作用于该神经元的输入，就得到了 该神经元的输出。应用神经网络技术建立预测模型，不象统计模型那样对数据有严格的要 求，只需进行有限次试验，就可以建立模型，而且对含有噪声的数据也能实现有效拟台。 有了这种基于神经网络的预测方法，只需进行有限次试验，就可以建立有关工艺参数与纤 维直径关系的预测模型，利用该模型就可以准确、快速地预测聚合物挤出法非织造布的纤 维直径。利用这种预测方法，通过计算机仿真试验得到较优的工艺组合，从而能够大大减 少探索性试验的数量，显著减少物料、人力、能源的消耗。
利用误差反向传播算法对神经网络进行训练。为了提高神经网络的推广能力，训练 时还采用了贝叶斯正则化方法。此时，神经网络的训练性能函数除了包含各层输出误差平 方和的平均值外，还包含所有网络权值和阈值平方和的平均值，贝叶斯正则化方法依据 Levenberg-Marquardt优化理论对神经网络的权值和阈值进行调整，在保证网络训练误差 尽可能小的情况下使网络具有较小的权值和阈值，从而缩小了网络的规模，提高了网络的 推广能力。当各组测试数据的预测误差均低于规定水平时，该神经网络即通过测试，可以 用于预测工作。
本发明的有益效果是：本发明解决了准确、快速地预测聚合物挤出法非织造布纤维直 径的问题。利用本发明，只需进行有限次试验，就可以建立有关工艺参数与纤维直径关系 的预测模型。利用本发明，可以通过计算机仿真试验得到较优的工艺组合，用以指导生产 实际，使最终产品的纤维直径达到期望水平，从而大大减少探索性试验的数量，显著减少 物料、人力、能源的消耗，进一步提高聚合物挤出法非织造布的产品质量。本发明在训练 神经网络时采用了贝叶斯正则化方法，因而提高了神经网络的推广能力。
附图说明
图1是神经网络结构图。
具体实施方式
实施例1
利用本发明基于神经网络的聚合物挤出法非织造布纤维直径预测方法为20个聚合物挤 出法非织造布试样建立纤维直径预测模型，按照本发明中的步骤依次进行。
(1)获取有关工艺参数和纤维直径数据
20个聚合物挤出法非织造布试样的聚合物流量、聚合物初始温度、气流初始速度、气流初 始温度及相应的纤维直径测量值见表1。将所有数据归一化到-1和1之间。
表1工艺参数的变化情况和纤维直径的测量值
试 样 聚合物 流量 (g/s) 聚合物初 始温度 (℃) 气流初始 速度 (m/s) 气流初始 温度 (℃) 纤维直径 测量值 (μm) 1 0.06 240 140 260 6.562 2 0.02 240 140 260 2.148 3 0.12 240 140 260 12.238 4 0.24 240 140 260 19.928 5 0.06 200 140 260 18.038 6 0.06 270 140 260 5.494 7 0.06 320 140 260 3.124 8 0.06 240 100 260 10.996 9 0.06 240 200 260 4.182 10 0.06 240 250 260 3.282 11 0.06 240 140 220 9.158
12 0.06 240 140 300 4.968 13 0.06 240 140 340 4.104 14 0.02 200 140 220 7.970 15 0.24 270 250 340 5.308 16 0.06 240 200 300 3.426 17 0.24 300 250 340 4.541 18 0.06 240 200 340 3.018 19 0.12 270 140 300 5.672 20 0.12 270 200 340 4.056
(2)建立误差反向传播神经网络
该神经网络由一个输入层、一个隐层和一个输出层组成。输入层有4个神经元，隐层 有2个神经元，输出层有1个神经元。隐层神经元的传递函数采用正切Sigmoid函数，输 出层神经元的传递函数采用线性函数。神经网络结构见图1。
(3)对神经网络进行训练和测试
将步骤(1)获取的数据分成两批，一批为14个试样，试样编号为1、3、4、5、7、8、9、 10、12、13、15、16、18、20，用于训练神经网络；另一批为6个试样，试样编号为2、6、 11、14、17、19，用于测试神经网络。利用误差反向传播算法对神经网络进行训练。表2 给出了用于测试的6个试样的纤维直径测量值与预测值。
表2用于测试的6个试样的纤维直径测量值与预测值
试样 纤维直径测量 值 (μm) 纤维直径预测 值 (μm) 纤维直径预测误 差 (％) 2 2.148 1.977 -7.94 6 5.494 4.993 -9.13 11 9.158 8.628 -5.79 14 7.970 8.691 9.05 17 4.541 4.084 -10.07 19 5.672 6.189 9.12 平均预测误差：-2.46％
表2中纤维直径预测误差的计算公式为
由表2可见，对于这6个非织造布试样，纤维直径预测值与测量值吻合得相当好，纤维直 径预测误差的绝对值最大不超过11％(试样17)，平均预测误差仅为-2.46％。以上结果说 明所建立的神经网络通过了测试。
(4)利用通过测试的神经网络进行预测
在这21个聚合物挤出法非织造布试样以外，再拿出一个试样，其有关工艺参数为： 聚合物流量0.12g/s，聚合物初始温度240℃，气流初始速度200m/s，气流初始温度260 ℃；纤维直径测量值为7.678μm。将输入数据归一化到-1和1之间，输入到通过测试的 神经网络中，将计算出来的网络输出进行反归一化，得出纤维直径预测值为8.196μm，预 测误差为6.74％。以上结果说明，所建立的神经网络对训练组和测试组以外的数据也有很 好的预测效果，因而具有较强的推广能力。本实施例表明，本发明能够准确、快速地预测 聚合物挤出法非织造布的纤维直径，且预测方法有较强的推广能力，在提高非织造布产品 质量和优化非织造工艺与设备方面有广阔的应用前景。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于双神经网络的睡眠呼吸声检测方法及系统 | 2020-05-12 | 9 |
| 基于深度神经网络的超像素级SAR图像变化检测方法 | 2020-05-13 | 326 |
| 一种基于机器学习的物理层可见光通信方法 | 2020-05-08 | 1004 |
| 基于深度学习的激光扫描三维点云树木自动分类方法 | 2020-05-12 | 176 |
| 基于长短时记忆网络的水泥成品比表面积预测方法及系统 | 2020-05-08 | 599 |
| 一种基于数据融合和BP神经网络的跌倒检测系统及方法 | 2020-05-16 | 611 |
| 一种基于土壤重金属污染途径分析的风险评估方法 | 2020-05-14 | 239 |
| 基于脑机接口的智能家居控制方法及系统 | 2020-05-16 | 281 |
| 一种基于批次图像化的卷积自编码故障监测方法 | 2020-05-17 | 34 |
| 基于注意力机制的CliqueNet航班延误预测方法 | 2020-05-16 | 463 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
