基于BP神经网络的织物风格评价研究

易志建

(广州纤维产品检测研究院，广东 广州 511447)



基于BP神经网络的织物风格评价研究

易志建

(广州纤维产品检测研究院，广东 广州 511447)

文章采用MATLAB7.0环境编程，充分利用人工神经网络对非线性系统极强的模拟能力以及根据具体问题灵活处理的柔性网络结构来构建基于BP神经网络的织物风格评价模型。研究表明该模型对织物风格评定的可靠度和精度较好，具有一定的应用价值。

BP神经网络；模式识别；评价模型；织物风格

1 引言

织物风格是人们凭触觉、视觉等官能获得的关于织物品质的评价，多数情况下以触觉为主。长期以来，织物风格评价主要是由专家的主观官感评价决定，虽具有权威性，但操作要求高，不易掌握。近年来，国内外对织物风格的评定方法进行了大量研究，最具代表性的是日本的川端季雄研制的织物风格测试仪。他认为织物风格是若干力学分量综合作用的结果，只要分别测量织物的各个力学值，借助回归法建立优化的风格值与力学量的关系模型，即可计算出织物的风格值。此外，其他一些研究者还根据织物力学指标的作用程度，利用模糊聚类法、系统聚类法等对织物的风格进行鉴别和分类。这些研究集中探讨了织物的力学指标与织物风格之间的关系，即建立织物基本风格与力学指标间的数学模型。然而，服装面料风格的评价是一个带有消费者主观意识的产物，不同的消费群体、消费领域，对织物风格的要求是不同，因而这些模型在实际应用中都存在某些缺陷[1]。

人工神经网络是近年来国内外正在研究的一种热点技术。由于神经网络具有自学习、容错性、分类能力强和并行处理等特点，可以不断挖掘出研究对象之间内在关系，以实现最终问题的求解。因此，本文基于BP神经网络对织物风格进行了分析和评价研究。

2 BP神经网络概述

BP神经网络，即误差反向传播神经网络，是神经网络模型中应用最广泛的一种[2-3]。它由输入层、隐含层和输出层构成。假设BP神经网络每层有N个节点，作用函数为非线性的Sigmoid型函数，一般采用f(x)=1/(1+e-x)，学习集包括M个样本模式(Xp，Yp)。对第P个学习样本(P=1，2，…，M)，节点j的输总和记为netpj，输出记为Opj，则：

(1)

如果任意设置网络初始权值，那么对每个输入样本P，网络输出与期望输出(dpj)间的误差为：

(2)

BP网络的权值修正公式为：

Wji=Wji(t)+η δpjOpj

(3)

(4)

上式中引入学习速率η，是为了加快网络的收敛速度。通常权值修正公式中还需加一个惯性参数a，从而有：

Wkj=Wkj(t)+ηδpjOpj+a(Wkj(t)-Wji(t-1))

(5)

式中，a为一常数项,它决定上一次的权值对本次权值的影响。其具体算法步骤详见文献[4]。

3 织物风格评价模型的建立与训练

3.1 样本数据的选择

现有的研究结果表明，织物风格由织物本身的物理、力学性能所确定，这些性能主要包括织物的抗弯特性、摩擦特性、压缩特性及表面特性等。而中厚织物的基本风格有硬挺度、丰满度和光滑度。被测样品的工艺参数均不相同，有15名专家进行了主观评定，主观评定由10个等级描述。样本数据[5]见表1、表2，其中表1作为网络的输入信号，表2作为网络的目标输出。

表1 网络的输入信号

3.2 建立BP神经网络模型

①首先确立网络的结构，设置合理的网络参数(如学习速率)，进行网络权值及阈值初始化。采用3层BP神经网络：第一层是输入层，输入表1中1～12号共12个样本，每个样本有10个相关因素，分别是活络率、弯曲刚性、静摩擦因数、动摩擦因数、稳定厚度、压缩弹性率、比压缩弹性率、蓬松度、起拱残留率、面密度因此输入层设定10个神经元；第二层是隐含层，隐含层神经元节点数是根据网络模型训练时所产生的误差大小而确定的。第三层是输出层，由于输出参数有硬挺度、丰满度和光滑度，因此输出层设3个神经元节点。

②确定模型所需的训练样本，对每个样本重复步骤③～⑥。

③计算网络的实际输出。

每个神经元上作用的函数常用Sigmoid型非线性函数：

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

(6)

(7)

Ok=f(netk)

(8)

其中，为从神经元Uk到上一层的神经元Uj的连接权重值；Oj为神经元Uj的输出，netk为神经元Uk的输入值；Ok为Uk神经元的输出；θk为神经元Uk的阈值。由式(7)和式(8)计算神经元Uk的输入值和输出值。中间隐含层和输出层的神经元的输入/输出也采用这种计算方法。

④计算网络的反向误差。若样本容量是k，n是输出节点个数(在此n=1)，网络的收敛目标是网络输出层的输出值与实际值的总误差最小。

(9)

⑤权重学习，修改各层的权重值和阀值。

当误差不满足精度要求时，将方差对权重偏导，按梯度下降法修正层间权重值，不断迭代，致使直到满足精度E趋向0为止。权值的调整按下述方法进行，其中，η为学习速率。

Δωij=-η∂E/∂ωij=η δiOi

(10)

(11)

(12)

式(12)中，为所有与隐含层的神经元相连的输出层神经元Wli的反传误差，于是权值的修正公式为：

ωij=ωij-Δωij=ωij-η δiOi

(13)

若满足精度要求，可对织物风格评定，否则转向②。

这里神经网络模型采用DPS数据处理系统的BP神经网络模型实现的有指导下的训练，即以15组数据作为直接训练数据，6组数据作为训练检验和验证数据。学习算法采用动量法，学习率采用自适应调整算法。进入BP神经网络训练时，可按网络结构确定网络参数，这里输入层设定10个神经元，隐含层l层，隐含层神经元节点数为20，Sigmoid参数为0.9，允许误差0.0001，最大训练次数2000，并对输入节点的数值进行标准化转换。

反复训练调整网络参数后确定该模型采用LvenbergMarquardt算法，训练函数为trainlm。该网络的隐含层节点采用logsig作为传递函数，输出层节点采用purelin作为传递函数[6]。

图1为网络训练过程的误差变化曲线图。实验中发现，模拟复杂程度不高的非线性关系采用这种网络结构可以达到比较好的效果，在训练9次后精度已达到10-4，该网络模型能满足预设精度，训练成功。

4 网络模型预测结果与分析

BP网络运行多次后(这里隐含层神经元个数取12)，样本误差为0.0001。学习训练样本组(1#～10#)的拟合值与专家评定值如图2所示，无学习训练的BP网络输出的拟合值与专家评定值如图3所示，根据BP神经网络对检验和验证组(10#～15#)进行的预测的结果与专家评定值的比较如图4、图5、图6所示。

图1 网络训练过程的误差变化曲线图

图2 训练后的BP网络模型输出拟合曲线

图3 未经训练的BP网络模型输出拟合曲线

图4 BP网络模型输出硬挺度预测曲线

预测结果表明：系统通过学习样本的学习具备了一定的联想识别能力，可以正确识别陌生样本，不仅对学习样本的拟合程度高，而且6个检验和验证样本的预测结果与专家评定值非常接近(见表3)。随着更多试验数据的积累和网络的不断训练，会进一步减少网络训练时的振荡，使预测结果波动范围不断减小。

图5 BP网络模型输出丰满度预测曲线

图6 BP网络模型输出光滑度预测曲线

样本硬挺度专家预测丰满度专家预测光滑度专家预测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 结语

5.1 BP神经网络有对非线性系统很强的模拟能力，具有可根据具体问题灵活处理的柔性网络结构，可将一组样本的输人输出问题变为一个非线形优化问题。经过多次训练后，网络具有极强的逼近能力。

5.2 BP神经网络模型的自适应和自组织能力，对织物风格主观评定的尺度，具有较强的适应性，通过对不同样本集的训练，可以适应特定条件下的模式识别[7]，从而在一定程度上弥补了以往风格评定模型中的一些缺陷。

[1] 洪志贵．织物风格评价的研究[J]．纺织学报.1993，14(4)：160—163.

[2] 张立明.人工神经网络的模型及其应用[M].上海：复旦大学出版社, 1995.

[3] 焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1990.

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

[5] 曹安照.RBF神经网络在织物风格评价中的应用[J].纺织学报，2005，26(6)：27—3.

[6] 从爽．面向Matlab工具箱的神经网络理论与应用[M].合肥：中国科学技术大学出版社，1998．

[7] 严灏景，潘宁.织物风格的客观评价的模式识别方法[J].纺织学报，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，广东佛山人，助理工程师。

TS101.1

A

1009-3028(2017)03-0036-04