應用遺傳算法優化支持向量回歸機的噴氣渦流紡紗線質量預測

谷有眾， 高衛東， 盧雨正， 劉建立， 楊瑞華

(江南大學 紡織服裝學院， 江蘇 無錫 214122)

應用遺傳算法優化支持向量回歸機的噴氣渦流紡紗線質量預測

谷有眾， 高衛東， 盧雨正， 劉建立， 楊瑞華

(江南大學 紡織服裝學院， 江蘇 無錫 214122)

為探究熟條質量對噴氣渦流紡紗線質量的影響，建立了遺傳算法優化的支持向量回歸機預測模型。模型的輸入端參數為熟條的4項指標(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)噴氣渦流紡紗線進行強力和條干CV值預測試驗，同時建立了BP神經網絡模型作對比試驗。2種模型預測對比分析的結果表明：遺傳算法優化的支持向量回歸機模型的穩定性和精度要比BP神經網絡模型高得多，更適用于描述熟條質量與噴氣渦流紡紗線質量(單紗強力和紗線條干CV值)間的非線性關系。

遺傳算法； 支持向量回歸機； 噴氣渦流紡； 紗線強力； 條干CV值

有關渦流紡紗線質量與前道工序熟條質量指標之間關系的研究很少。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機器的單臺單錠上進行，將渦流紡的紡紗區、清紗區和絡筒區看作一個單一的紡紗整體。建立熟條質量指標和筒子紗質量指標間的穩定映射關系是本文的研究重點。

國內外有關紗線質量預測的方法很多，如多元線性回歸模型和神經網絡模型，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系時預測精度高，但其樣本適用性差，當回歸時選用的樣本不同或樣本數量不同，得到的模型參數也不一定相同，且不適用于描述熟條質量指標與紗線質量指標間的復雜非線性關系[1-2]；RBF神經網絡模型的形狀參數需要經過大量試驗才能確定，因此模型建立比較復雜，且RBF神經網絡模型的容錯能力較BP神經網絡模型要差[3]；BP神經網絡模型在紗強、毛羽和條干等方面的準確性都比多元線性回歸模型好[4-5]，但在小樣本數據的環境下，其預測效果并不理想，原因是神經網絡模型是以經驗風險最小化原則為理論基礎，對于樣本數據的要求過高。支持向量回歸機(support vector regression,SVR)在20世紀末就提出了，其模型在復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地預測任意樣本的能力)之間尋求最佳平衡，這樣可以保證在訓練樣本有限的情況下避免出現過度擬合的現象，有效地提高模型的泛化能力。

本文采用遺傳算法[6-7]對支持向量回歸機的2個參數(懲罰因子c和核函數參數g)進行優化建模，使得紗線質量預測模型更準確、穩定。通過K折交叉的方法對30組數據樣本進行分組驗證，并與BP神經網絡預測模型進行對比分析。結果表明本文模型具有更高的預測精度和穩定性，為小樣本情況下紗線質量預測提供了新的方法。

1 模型構建

1.1 BP神經網絡模型

在BP神經網絡以一種誤差反向傳播的神經網絡，網絡結構包含1個輸入層、若干個隱含中間層和1個輸出層，1個3層結構的BP神經網絡模型可以完成任意N維到H維的映射[8]。本文構建的神經網絡模型的參數見表1。

表1 BP模型中主要參數

1.2 遺傳算法優化的支持向量回歸機模型

1.2.1 支持向量回歸機

支持向量回歸機是建立在統計學習理論VC維理論和結構風險最小化(SRM)原理的基礎上，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為線性可分的情況，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行分析。其基本思想是求解核函數和二次規劃問題，通過核函數將數據映射到高維空間來解決非線性可分的問題[9-10]。本文的SVR模型中核函數選擇RBF核，RBF核函數的公式[11]為

(1)

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

1.2.2 遺傳算法設計

遺傳算法是一種模擬生物進化過程搜索最優解的智能算法，參數設置見表2。算法的核心步驟如下。

表2 本文模型算法中主要參數

1.2.2.1 個體適應度函數f遺傳算法進行參數尋優時，選擇測試集的期望樣本輸出與預測的輸出均方根誤差的倒數平均值作為個體最終的適應度值，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，設種群的大小為M，其中個體j的適應度值為fj，則j被選擇的概率為Psj。

(4)

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

(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地選擇一個變異元Xi，根

據變異元的取值范圍(本文范圍為(0,16])均勻隨機地選擇一個隨機數來替代原基因的值，變異操作能恢復個體失去的或未開發的遺傳物質。

1.2.3 遺傳算法優化SVR模型的流程

選用MatLab2012b進行建模。SVR模型選定后，還需要對模型中的懲罰參數c和核函數參數g進行最優化選定,g與帶寬σ的關系如式6所示。

(6)

優化的算法流程如圖1所示(圖中gen為當前迭代的代數，Gmax為最大迭代代數)。

1)根據經驗給出c和g值的范圍為(0,16]；

s2)隨機初始化種群(c和g2個值)，并進行浮點數編碼；

3)遺傳算法優化參數時，對29組訓練樣本進行29次交叉訓練和驗證，求出計算平均適應度值，并選出適應度值最好的個體；

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

5)對最終具有最優適應度值的種群進行解碼，即可得到最優的懲罰因子c和核函數參數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，由于渦流紡紗線質量與熟條質量關系密切，因此模型的輸入端為熟條的4項質量指標(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)，預測指標為紗線單紗強力和紗線的條干CV值。

樣本數據包括：30組熟條4項質量指標的樣本數據、30組19.7 tex紗線質量指標樣本數據(包括單紗強力和條干CV值)、30組11.8 tex紗線質量指標樣本數據(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值進行預測。

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

將30組樣本數據統一編號為Xi(i=1,2,…,30)，共進行30組預測實驗，實驗編號為Ti(i=1,2,…,30)，實驗時，Xi中的1組數據被作為測試樣本，其余的29份數據作為訓練集，當使用遺傳算法優化參數時，采用交叉驗證的方法將訓練集的29個樣本分為29組，每次取其中28組用來訓練，剩余的1組用來驗證，這樣將29組交叉驗證所得到的適應度值的均值作為Ti組實驗所得最終的個體適應度值。此方法保證了每組樣本數據被作為訓練樣本的次數是相同的，并且每組數據只被測試1次，這樣可以合理地對預測模型的準確性和可靠性進行驗證。

3 實驗結果與分析

將本文的遺傳算法優化SVR預測模型與BP神經網絡預測模型進行單紗強力和紗線條干CV值的預測對比實驗。表3示出2種模型分別預測紗線強力和紗線條干CV值得到誤差。

表3 2種模型預測時的最大相對誤差

3.1 紗線強力預測

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

從圖3、4可以看出，本文模型對19.7 tex和11.8 tex紗線的強力預測值與實際值的相關性系數皆在0.9以上，說明該模型對單紗強力的預測效果較BP神經網絡要好。為了進一步描述模型的預測效果，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%)進行樣本個數統計，2種模型的統計結果如圖5、6所示。圖5、6分別對2種紗線強力預測結果的相對誤差范圍進行了統計，可以看出，優化后SVR模型的相對誤差主要分布在0～2%內，而BP神經網絡預測模型的預測結果在5組范圍中的分布較均勻，這同樣證明了BP神經網絡預測模型的單紗強力預測精度及穩定性皆不如本文模型。

3.2 紗線條干CV值預測

對2個品種紗線條干CV值的預測結果與實際值的相關性進行對比分析，如圖7、8所示。圖7(a)與圖8(a)中相關系數分別達到了0.906和0.934，而圖7(b)與圖8(b)中相關系數只有0.771和0.862，這說明優化后的SVR模型對紗線條干CV值的預測更精確。

圖9、10分別示出對2種紗線條干CV值預測結果的相對誤差范圍進行的統計結果。圖9中優化后SVR模型的預測相對誤差在[0,1%)范圍內的樣本數達到了22組，而相對誤差大于等于3%的樣本數為0。雖然相對誤差在[0,1%)范圍內的樣本數，BP神經網絡比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，SVR模型均要優于BP神經網絡模型，BP神經網絡模型在大于3%的相對誤差范圍內比SVR占有高的樣本數，且從5個相對誤差范圍整體來看，神經網絡的預測穩定性要差。從表3也可以發現，對于紗線條干CV值的預測來看，優化后SVR模型預測所得的最大相對誤差要遠小于BP神經網絡模型。綜合以上分析，本文模型對紗線條干CV值的預測穩定性好，精度高。

4 結束語

通過采用遺傳算法對支持向量回歸機中的參數進行優化，從而建立起遺傳算法優化的SVR紗線質量預測模型，同時建立BP神經網絡模型。采用交叉驗證的方法將30個樣本數據分為訓練集和測試集，分別對滌綸/粘膠(67/33)的19.7 tex和11.8 tex噴氣渦流紡紗線進行2種模型的紗線強力和條干CV值的預測對比實驗。對預測實驗的結果進行統計分析表明，在小樣本數據的情況下，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值的預測準確度和穩定性而言，本文模型比神經網絡模型要好，這對于進行其他的纖維品種、混紡比和支數的噴氣渦流紡紗線質量預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. 基于神經網絡的精紡毛紗性能預測模型比較[J]. 紡織學報， 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神經網絡的紗線質量預報模型[J].東華大學學報, 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. 遺傳算法研究進展[J]. 計算機應用研究, 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]. 系統工程與電子技術, 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.支持向量機的紗線質量預測[J].紡織學報, 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．數據挖掘中的新方法一支持向量

機[M]．北京：科學出版社, 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, 李濟洪. 幾種交叉驗證檢驗的可重復性[J]. 太原師范學院學報, 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

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

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

TS 111.8

A