本發(fā)明屬于紡紗質(zhì)量預(yù)測與控制技術(shù)領(lǐng)域，涉及一種基于煙花算法改進bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法。

背景技術(shù)：

紡紗系統(tǒng)處在高溫、高濕以及高電磁等多種因素相互交錯的復(fù)雜環(huán)境中，各因素之間存在相互影響的耦合作用關(guān)系，加之紡紗生產(chǎn)加工工藝流程復(fù)雜且原材料頻繁經(jīng)歷物理化學(xué)的改性過程，使得紡織生產(chǎn)過程中的質(zhì)量預(yù)測與傳統(tǒng)的純機械加工的質(zhì)量預(yù)測相比更加具有挑戰(zhàn)性。特別地，纖維屬性指標(biāo)呈幾何狀增長，目前已達到300多個，而且紡紗系統(tǒng)中影響因素紗線質(zhì)量因素眾多且相互之間存在耦合關(guān)系，加之纖維屬性與紗線質(zhì)量特征值之間成非線性相關(guān)關(guān)系，使得在小樣本數(shù)據(jù)訓(xùn)練下利用神經(jīng)網(wǎng)絡(luò)建立紡紗質(zhì)量預(yù)測模型的預(yù)測結(jié)果，難以滿足紡紗車間生產(chǎn)管理的實際要求。

隨著紡紗生產(chǎn)信息化程度的提高，紡織生產(chǎn)過程中積累了大量的原料、工藝、設(shè)備等紗線質(zhì)量數(shù)據(jù)，這使得大樣本數(shù)據(jù)環(huán)境下建立基于神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測模型成為可能。但是，在大量訓(xùn)練樣本數(shù)據(jù)環(huán)境下，隨著神經(jīng)網(wǎng)絡(luò)預(yù)測模型中輸入神經(jīng)元個數(shù)和訓(xùn)練樣本數(shù)據(jù)量大幅度增加，神經(jīng)網(wǎng)絡(luò)模型收斂速度慢且易陷入局部最優(yōu)的問題進一步凸顯，在很大程度上制約著紡紗質(zhì)量預(yù)測的精度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于煙花算法改進bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法，解決了現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型存在的在訓(xùn)練過程中預(yù)測精度低且迭代次數(shù)高的的問題。

本發(fā)明基于煙花算法改進bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法，具體按照以下步驟實施：

步驟1，利用煙花算法的尋優(yōu)機理對bp神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)權(quán)重和閾值進行優(yōu)化，建立一種基于煙花算法優(yōu)化的fwa-bp神經(jīng)網(wǎng)絡(luò)模型；

步驟2，在步驟1的fwa-bp神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)之上，選取輸入輸出指標(biāo)，構(gòu)建基于fwa-bp的紡紗質(zhì)量預(yù)測模型；

步驟3，利用經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)集對步驟2中建立的基于fwa-bp的紡紗質(zhì)量預(yù)測模型進行學(xué)習(xí)和訓(xùn)練，最終完成對紡紗質(zhì)量的預(yù)測。

本發(fā)明的特點還在于，

步驟1中煙花算法的尋優(yōu)機理對bp神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)權(quán)重和閾值進行優(yōu)化的具體步驟為：

步驟1.1，關(guān)鍵參數(shù)編碼，選取實數(shù)向量的編碼策略對模型中的關(guān)鍵參數(shù)進行編碼，記向量x＝[x1,x2,…,xd]表示一組待優(yōu)化的參數(shù)，其每一維向量由網(wǎng)絡(luò)權(quán)重和閾值組成，煙花種群的維數(shù)為：d＝niw(1,1)+nb(1,1)+niw(2,1)+nb(2,1)，其中，記niw(1,1)為隱含層與輸出層間的權(quán)值的個數(shù)，nb(1,1)為隱含層神經(jīng)元閾值的個數(shù)，niw(2,1)為隱含層與輸出層間的權(quán)值的個數(shù)，nb(2,1)輸出層神經(jīng)元閾值的個數(shù)；

步驟1.2，權(quán)重系及閾值初始化，在步驟1.1的基礎(chǔ)之上，利用煙花算法中煙花個體xik的位置表示神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元，將神經(jīng)網(wǎng)絡(luò)中第k次迭代過程網(wǎng)絡(luò)l層中第i個神經(jīng)元與第j個神經(jīng)元間的權(quán)重系數(shù)和閾值θi初始化編碼成向量x＝[x1,x2,…,xd]，并利用隨機初始化的策略把向量x初始在區(qū)間[-1,1]內(nèi)，則有權(quán)重系數(shù)wij～u[-1,1]，

其中，i、j分別指的是網(wǎng)絡(luò)中第i各神經(jīng)元節(jié)點與第j各神經(jīng)元節(jié)點間的權(quán)重，l表示的是這個當(dāng)前權(quán)重所處的網(wǎng)絡(luò)層數(shù)，k表示的是當(dāng)前的迭代次數(shù)；

步驟1.3，計算煙花個體的誤差，引入適應(yīng)度函數(shù)并利用公式(1)和公式(2)計算平方誤差sse，公式(1)和公式(2)如下所示：

其中，t為網(wǎng)絡(luò)的期望輸出，p為網(wǎng)絡(luò)的層數(shù)，s為網(wǎng)絡(luò)輸出單元的個數(shù)，y為網(wǎng)絡(luò)輸出值，其具體如下式：

其中，xj為網(wǎng)絡(luò)的輸入，wij為網(wǎng)絡(luò)節(jié)點的權(quán)重，θi為網(wǎng)絡(luò)中第i個神經(jīng)元的閾值且θi＝-wi(n+1)；

步驟1.4，在步驟1.3計算得到的每個煙花個體xi誤差的基礎(chǔ)上，引入fi(x)函數(shù)作為適應(yīng)度函數(shù)，通過適應(yīng)度函數(shù)計算步驟1.2中向量x每一個煙花個體xi的適應(yīng)度值，適應(yīng)度函數(shù)如公式(3)如下所示，

步驟1.5，煙花種群尋優(yōu)，在步驟1.4的基礎(chǔ)之上，對于每一個煙花個體xi進行爆炸、位移和變異操作，其中爆炸變異操作以及高斯變異映射規(guī)則為公式(4)～公式(6)，

h＝ai×rand(1,-1)(4)

exik＝xik+h(5)

mxik＝xik×e(6)

其中，ai為第i個煙花的爆炸半徑，h為位置偏移量，xik表示種群中第i個煙花的第k維，exik為第i個煙花經(jīng)過爆炸后的火花，mxik為xik經(jīng)過高斯變異后的高斯變異火花，e～n(1,1)的高斯分布；

步驟1.6，選擇下一代煙花種群，對于步驟1.5中經(jīng)過爆炸、位移和變異操作后的煙花個體xi，利用步驟1.4中的公式計算每個煙花個體xi的適應(yīng)度值，并使用公式(7)和公式(8)的選擇策略，選擇最優(yōu)的煙花個體組成下一代煙花種群，具體的選擇策略為：

選擇適應(yīng)度值最小的min(f(xi))個體xk直接為一下煙花種群個體，其余的n-1個煙花個體采取輪盤賭方式，對于候選個體xi其被選擇的概率如下式：

其中，r(xi)表示煙花個體xi與其他個體的距離之和，具體如下式；

步驟1.7，判斷終止條件，根據(jù)公式(3)和公式(8)計算煙花種群中煙花個體的適應(yīng)度值f(xi)和煙花個體間的歐式距離r(xi)，并判斷是否終止條件中達到的最大迭代次數(shù)，若滿足則計算得到當(dāng)前煙花種群中的煙花個體的最小適應(yīng)度值min(f(xi))以及煙花種群中煙花個體間的最大的距離max(r(xi))，并取當(dāng)前的煙花種群為最優(yōu)的煙花種群xbest，否則繼續(xù)執(zhí)行步驟1.3；

步驟1.8，優(yōu)化網(wǎng)絡(luò)權(quán)重和閾值，利用步驟1.7中得到最優(yōu)煙花種群xbest對步驟1.2中的向量x中對應(yīng)的神經(jīng)網(wǎng)絡(luò)中的權(quán)重和閾值進行初始化。

步驟2中構(gòu)建基于fwa-bp的紡紗質(zhì)量預(yù)測模型的具體方法為：

步驟2.1，輸入輸出指標(biāo)的選擇：選取紡紗生產(chǎn)加工過程中與紗線質(zhì)量相關(guān)的原料、工藝等數(shù)據(jù)作為輸入變量，選取紗線的cv值為輸出指標(biāo)，則整個基于fwa-bp的紗線質(zhì)量預(yù)測模型的輸入輸出為：

輸入量為：x1＝棉條含雜率，x2＝粗紗捻系數(shù)，x3＝回潮率，x4＝纖維直徑，x5＝纖維長度，x6＝直徑離散系數(shù)，x7＝纖維質(zhì)量不勻率，x8＝纖維牽伸倍數(shù)，x9＝細(xì)紗鋼絲圈號，x10＝羅拉轉(zhuǎn)速；輸出量為：y＝紗線cv值；

步驟2.2，根據(jù)步驟2.1得到的輸入輸出數(shù)據(jù)建立模型的數(shù)據(jù)集，并使用min-max方法對數(shù)據(jù)集中的數(shù)據(jù)進行標(biāo)準(zhǔn)化處理；

步驟2.3，確定網(wǎng)絡(luò)結(jié)構(gòu)的策略，根據(jù)步驟2.1中選取的輸入、輸出指標(biāo)，確定輸入、輸出及隱含層的層數(shù)，fwa-bp紡紗質(zhì)量預(yù)測模型的輸入層的節(jié)點數(shù)m＝10，輸出層節(jié)點數(shù)n＝1，其中隱層神經(jīng)元的個數(shù)通過下式確定

計算得到s＝7；

步驟2.4，激活函數(shù)的選取，輸入層采用tansig激活函數(shù)，輸出層采用purelin激活函數(shù)，選取trainlm函數(shù)作為網(wǎng)絡(luò)模型的訓(xùn)練函數(shù)。

步驟3中利用經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)集對步驟2中建立的基于fwa-bp的紡紗質(zhì)量預(yù)測模型進行學(xué)習(xí)和預(yù)測的具體步驟為：

步驟3.1，訓(xùn)練數(shù)據(jù)集的選擇策略，利用步驟2.2中經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)集，從中選擇80％的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，剩余20％的數(shù)據(jù)集作為測試數(shù)據(jù)集；

步驟3.2，煙花算法中關(guān)鍵參數(shù)的設(shè)置，煙花種群的大小n＝70，煙花爆炸半徑調(diào)節(jié)常數(shù)d＝5，煙花爆炸火花數(shù)調(diào)節(jié)常數(shù)m＝40，煙花爆炸火花個數(shù)上界值lm＝0.8，煙花爆炸火花個數(shù)下界值bm＝0.04，高斯變異火花數(shù)g＝5,最大迭代次數(shù)t＝100，其中變量的維數(shù)d＝85，是在步驟1.1的基礎(chǔ)之上取網(wǎng)絡(luò)模型中神經(jīng)元權(quán)重和閾值的總數(shù)，具體是在步驟2.3的基礎(chǔ)之上通過如下公式計算

d＝m×s+s×n+s+n＝10×7+7×1+7+1＝85

其中，m，s，n分別為網(wǎng)絡(luò)的輸入層神經(jīng)元、隱含層神經(jīng)元以及輸出層神經(jīng)元的個數(shù)；

步驟3.3，在步驟3.2中煙花算法參數(shù)設(shè)置的基礎(chǔ)之上，使用步驟3.1中選擇的訓(xùn)練數(shù)據(jù)集對基于fwa-bp的紡紗質(zhì)量預(yù)測模型進行訓(xùn)練，在網(wǎng)絡(luò)訓(xùn)練過程中相關(guān)的參數(shù)設(shè)置為，學(xué)習(xí)速率為0.01，動量因子為0.9，最大迭代次數(shù)為20000，訓(xùn)練最小誤差為0.05；

步驟3.4，通過步驟3.1～3.3訓(xùn)練得到了基于fwa-bp的紡紗質(zhì)量預(yù)測模型，使用步驟3.1中選擇的測試數(shù)據(jù)集，對模型的預(yù)測效果進行測試統(tǒng)計分析和實驗仿真。

本發(fā)明與現(xiàn)有技術(shù)對比具有以下效果：本發(fā)明提高了紡紗質(zhì)量預(yù)測的精度，降低了網(wǎng)絡(luò)的迭代次數(shù)。本發(fā)明主要將煙花算法引入到神經(jīng)網(wǎng)絡(luò)模型中，利用煙花爆炸過程中多點同時擴散的機制，對神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和閾值進行了優(yōu)化，從而可以減少預(yù)測模型的迭代次數(shù)，提高模型預(yù)測的準(zhǔn)確率。

附圖說明

圖1是本發(fā)明基于煙花算法改進bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法的流程圖；

圖2是本發(fā)明基于煙花算法改進bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法中實施例的紡紗質(zhì)量預(yù)測值與實際值的仿真結(jié)果圖；

圖3是本發(fā)明基于煙花算法改進bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法中實施例與其他bp神經(jīng)網(wǎng)絡(luò)、ga-bp神經(jīng)網(wǎng)絡(luò)以及pso-bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測結(jié)果對比仿真結(jié)果圖；

圖4是本發(fā)明的實施例中通過相同參數(shù)訓(xùn)練得到的基于bp神經(jīng)網(wǎng)絡(luò)建立的輸入變量和輸出變量間映射關(guān)系的相關(guān)性分析圖；

圖5是本發(fā)明的實施例中通過相同參數(shù)訓(xùn)練得到的基于ga-bp神經(jīng)網(wǎng)絡(luò)建立的輸入變量和輸出變量間映射關(guān)系的相關(guān)性分析圖；

圖6是本發(fā)明的實施例中通過相同參數(shù)訓(xùn)練得到的基于pso-bp神經(jīng)網(wǎng)絡(luò)建立的輸入變量和輸出變量間映射關(guān)系的相關(guān)性分析圖；

圖7是本發(fā)明的實施例中提出的基于fwa-bp神經(jīng)網(wǎng)絡(luò)建立的輸入變量和輸出變量間映射關(guān)系的相關(guān)性分析圖。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明進行詳細(xì)說明。

本發(fā)明實施例中基于煙花算法改進bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法的流程圖，如圖1所示，本發(fā)明基于煙花算法改進bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法，具體按照以下步驟實施：

步驟1，利用煙花算法的尋優(yōu)機理對bp神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)權(quán)重和閾值進行優(yōu)化，建立一種基于煙花算法優(yōu)化的fwa-bp神經(jīng)網(wǎng)絡(luò)模型，煙花算法的尋優(yōu)機理對bp神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)權(quán)重和閾值進行優(yōu)化的具體步驟為：

步驟1.1，關(guān)鍵參數(shù)編碼，選取實數(shù)向量的編碼策略對模型中的關(guān)鍵參數(shù)進行編碼，記向量x＝[x1,x2,…,xd]表示一組待優(yōu)化的參數(shù)，其每一維向量由網(wǎng)絡(luò)權(quán)重和閾值組成，煙花種群的維數(shù)為：d＝niw(1,1)+nb(1,1)+niw(2,1)+nb(2,1)，其中，記niw(1,1)為隱含層與輸出層間的權(quán)值的個數(shù)，nb(1,1)為隱含層神經(jīng)元閾值的個數(shù)，niw(2,1)為隱含層與輸出層間的權(quán)值的個數(shù)，nb(2,1)輸出層神經(jīng)元閾值的個數(shù)；

步驟1.2，權(quán)重系及閾值初始化，在步驟1.1的基礎(chǔ)之上，利用煙花算法中煙花個體xik的位置表示神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元，將神經(jīng)網(wǎng)絡(luò)中第k次迭代過程網(wǎng)絡(luò)l層中第i個神經(jīng)元與第j個神經(jīng)元間的權(quán)重系數(shù)和閾值θi初始化編碼成向量x＝[x1,x2,…,xd]，并利用隨機初始化的策略把向量x初始在區(qū)間[-1,1]內(nèi)，則有權(quán)重系數(shù)wij～u[-1,1]，

其中，i、j分別指的是網(wǎng)絡(luò)中第i各神經(jīng)元節(jié)點與第j各神經(jīng)元節(jié)點間的權(quán)重，l表示的是這個當(dāng)前權(quán)重所處的網(wǎng)絡(luò)層數(shù)，k表示的是當(dāng)前的迭代次數(shù)；

步驟1.3，計算煙花個體的誤差，引入適應(yīng)度函數(shù)并利用公式(1)和公式(2)計算平方誤差sse，公式(1)和公式(2)如下所示：

其中，t為網(wǎng)絡(luò)的期望輸出，p為網(wǎng)絡(luò)的層數(shù)，s為網(wǎng)絡(luò)輸出單元的個數(shù)，y為網(wǎng)絡(luò)輸出值，其具體如下式：

其中，xj為網(wǎng)絡(luò)的輸入，wij為網(wǎng)絡(luò)節(jié)點的權(quán)重，θi為網(wǎng)絡(luò)中第i個神經(jīng)元的閾值且θi＝-wi(n+1)；

步驟1.4，在步驟1.3計算得到的每個煙花個體xi誤差的基礎(chǔ)上，引入fi(x)函數(shù)作為適應(yīng)度函數(shù)，通過適應(yīng)度函數(shù)計算步驟1.2中向量x每一個煙花個體xi的適應(yīng)度值，適應(yīng)度函數(shù)如公式(3)如下所示，

步驟1.5，煙花種群尋優(yōu)，在步驟1.4的基礎(chǔ)之上，對于每一個煙花個體xi進行爆炸、位移和變異操作，其中爆炸變異操作以及高斯變異映射規(guī)則為公式(4)～公式(6)，

h＝ai×rand(1,-1)(4)

exik＝xik+h(5)

mxik＝xik×e(6)

其中，ai為第i個煙花的爆炸半徑，h為位置偏移量，xik表示種群中第i個煙花的第k維，exik為第i個煙花經(jīng)過爆炸后的火花，mxik為xik經(jīng)過高斯變異后的高斯變異火花，e～n(1,1)的高斯分布；

步驟1.6，選擇下一代煙花種群，對于步驟1.5中經(jīng)過爆炸、位移和變異操作后的煙花個體xi，利用步驟1.4中的公式計算每個煙花個體xi的適應(yīng)度值，并使用公式(7)和公式(8)的選擇策略，選擇最優(yōu)的煙花個體組成下一代煙花種群，具體的選擇策略為：

選擇適應(yīng)度值最小的min(f(xi))個體xk直接為一下煙花種群個體，其余的n-1個煙花個體采取輪盤賭方式，對于候選個體xi其被選擇的概率如下式：

其中，r(xi)表示煙花個體xi與其他個體的距離之和，具體如下式；

步驟1.7，判斷終止條件，根據(jù)公式(3)和公式(8)計算煙花種群中煙花個體的適應(yīng)度值f(xi)和煙花個體間的歐式距離r(xi)，并判斷是否終止條件中達到的最大迭代次數(shù)，若滿足則計算得到當(dāng)前煙花種群中的煙花個體的最小適應(yīng)度值min(f(xi))以及煙花種群中煙花個體間的最大的距離max(r(xi))，并取當(dāng)前的煙花種群為最優(yōu)的煙花種群xbest，否則繼續(xù)執(zhí)行步驟1.3；

步驟1.8，優(yōu)化網(wǎng)絡(luò)權(quán)重和閾值，利用步驟1.7中得到最優(yōu)煙花種群xbest對步驟1.2中的向量x中對應(yīng)的神經(jīng)網(wǎng)絡(luò)中的權(quán)重和閾值進行初始化。

步驟2，在步驟1的fwa-bp神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)之上，選取輸入輸出指標(biāo)，構(gòu)建基于fwa-bp的紡紗質(zhì)量預(yù)測模型，構(gòu)建基于fwa-bp的紡紗質(zhì)量預(yù)測模型的具體步驟為：

步驟2.1，輸入輸出指標(biāo)的選擇：

考慮到紡紗生產(chǎn)加工過程處在多因素相互耦合作用下，原料、工藝、設(shè)備等參數(shù)都會對紗線質(zhì)量產(chǎn)生影響，因而從原料性能、工藝參數(shù)、設(shè)備參數(shù)等方面選取如下表所示的10個指標(biāo)作為紡紗質(zhì)量預(yù)測模型的輸入，選取紗線cv值作為紡紗質(zhì)量預(yù)測模型的輸出指標(biāo)。

步驟2.2，根據(jù)步驟2.1得到的輸入輸出數(shù)據(jù)建立模型的數(shù)據(jù)集，并使用min-max方法對數(shù)據(jù)集中的數(shù)據(jù)進行標(biāo)準(zhǔn)化處理；

通過以下公式完成數(shù)據(jù)的標(biāo)準(zhǔn)化處理：

其中，max(x)為訓(xùn)練數(shù)據(jù)集中的最大值，min(x)為訓(xùn)練數(shù)據(jù)集中的最大值，通過對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理后，將訓(xùn)練數(shù)據(jù)映射到區(qū)間[0,1]，便于進行綜合評價對比。

步驟2.3，確定網(wǎng)絡(luò)結(jié)構(gòu)的策略，根據(jù)步驟2.1中選取的輸入、輸出指標(biāo)，確定輸入、輸出及隱含層的層數(shù)，fwa-bp紡紗質(zhì)量預(yù)測模型的輸入層的節(jié)點數(shù)m＝10，輸出層節(jié)點數(shù)n＝1，其中隱層神經(jīng)元的個數(shù)通過下式確定

其中，m＝10和n＝1分別為網(wǎng)絡(luò)的輸入層節(jié)點個數(shù)和輸出層節(jié)點個數(shù)，計算得到s＝7；

步驟2.4，激活函數(shù)的選取，輸入層采用tansig激活函數(shù)，輸出層采用purelin激活函數(shù)，選取trainlm函數(shù)作為網(wǎng)絡(luò)模型的訓(xùn)練函數(shù)。

步驟3，利用經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)集對步驟2中建立的基于fwa-bp的紡紗質(zhì)量預(yù)測模型進行學(xué)習(xí)和訓(xùn)練，最終完成對紡紗質(zhì)量的預(yù)測，具體步驟為：

步驟3.1，訓(xùn)練數(shù)據(jù)集的選擇策略，取某公司的棉紡紗質(zhì)量數(shù)據(jù)，對fwa-bp紡紗質(zhì)量預(yù)測模型算法的有效性進行實驗驗證。在算法模型的訓(xùn)練過程中，取數(shù)據(jù)集的前80％的數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集，用于對fwa-bp模型進行訓(xùn)練，取數(shù)據(jù)集的后20％的數(shù)據(jù)為測試集，用于對模型預(yù)測性能的測試；

步驟3.2，煙花算法中關(guān)鍵參數(shù)的設(shè)置，根據(jù)待優(yōu)化的網(wǎng)絡(luò)的權(quán)重值和閾值θi的具體優(yōu)化目標(biāo)，并結(jié)合相關(guān)文獻中的實驗結(jié)果，對煙花算法中的關(guān)鍵參數(shù)設(shè)置為，煙花種群的大小n＝70，煙花爆炸半徑調(diào)節(jié)常數(shù)d＝5，煙花爆炸火花數(shù)調(diào)節(jié)常數(shù)m＝40，煙花爆炸火花個數(shù)上界值lm＝0.8，煙花爆炸火花個數(shù)下界值bm＝0.04，高斯變異火花數(shù)g＝5,最大迭代次數(shù)t＝100，變量的維數(shù)d＝85，是在步驟1.1的基礎(chǔ)之上取網(wǎng)絡(luò)模型中神經(jīng)元權(quán)重和閾值的總數(shù)，具體是在步驟2.3的基礎(chǔ)之上通過如下公式計算

d＝m×s+s×n+s+n＝10×7+7×1+7+1＝85

其中，m，s，n分別為網(wǎng)絡(luò)的輸入層神經(jīng)元、隱含層神經(jīng)元以及輸出層神經(jīng)元的個數(shù)；

步驟3.3，在步驟3.2中煙花算法參數(shù)設(shè)置的基礎(chǔ)之上，使用步驟3.1中選擇的訓(xùn)練數(shù)據(jù)集對基于fwa-bp的紡紗質(zhì)量預(yù)測模型進行訓(xùn)練，在網(wǎng)絡(luò)訓(xùn)練過程中相關(guān)的參數(shù)設(shè)置如下，學(xué)習(xí)速率為0.01，動量因子為0.9，最大迭代次數(shù)為20000，訓(xùn)練最小誤差為0.05；

步驟3.4，通過步驟3.1～3.3訓(xùn)練得到了基于fwa-bp的紡紗質(zhì)量預(yù)測模型，使用步驟3.1中選擇的測試數(shù)據(jù)集，對模型的預(yù)測效果進行測試統(tǒng)計分析和實驗仿真。

另外，使用步驟2中經(jīng)過標(biāo)準(zhǔn)化處理的相同的訓(xùn)練集數(shù)據(jù)對傳統(tǒng)的bp神經(jīng)網(wǎng)絡(luò)、ga-bp、以及pso-bp等紡紗質(zhì)量預(yù)測模型進行訓(xùn)練，并計算不同算法預(yù)測結(jié)果的誤差率和迭代次數(shù)。

為了降低實驗過程中的偶然性因素，對同一種算法模型使用同樣的數(shù)據(jù)訓(xùn)練測試10次，分別取10次預(yù)測的誤差和迭代次數(shù)的平均值作為評價該算法的預(yù)測誤差值和收斂速度，基于fwa-bp的紗線質(zhì)量預(yù)測模型的訓(xùn)練結(jié)果如表1所示，由表1可以看出：本具體實施提出的基于fwa-bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測方法，相對于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)(pso-bp)其紡紗質(zhì)量特征值波動預(yù)報的誤差率下降了49.52％，預(yù)報的精度達到97.88％，而且該算法的迭代次數(shù)減少31.11％。

表1基于fwa-bp的紗線質(zhì)量預(yù)測模型的訓(xùn)練結(jié)果

本發(fā)明中實施例的紡紗質(zhì)量預(yù)測值與實際值的仿真結(jié)果圖，如圖2所示，從圖中可以看出本發(fā)明實施例中提出的基于ga-bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測模型，能夠較好地實現(xiàn)對紡紗質(zhì)量的預(yù)測；

本發(fā)明中實施例與其他bp神經(jīng)網(wǎng)絡(luò)、ga-bp神經(jīng)網(wǎng)絡(luò)以及pso-bp神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)測結(jié)果對比仿真結(jié)果圖，如圖3所示，從圖中可以看出基于fwa-bp的神經(jīng)網(wǎng)絡(luò)模型對于紡紗質(zhì)量的預(yù)測結(jié)果更接近于實際值；

本發(fā)明中實施例中通過相同參數(shù)訓(xùn)練得到的基于bp神經(jīng)網(wǎng)絡(luò)建立的輸入變量和輸出變量間映射關(guān)系的相關(guān)性分析圖，如圖4所示，其相關(guān)系數(shù)r為0.85176；

本發(fā)明中實施例中通過相同參數(shù)訓(xùn)練得到的基于ga-bp神經(jīng)網(wǎng)絡(luò)建立的輸入變量和輸出變量間映射關(guān)系的相關(guān)性分析圖，如圖5所示，其相關(guān)系數(shù)r為0.91472；

本發(fā)明中實施例中通過相同參數(shù)訓(xùn)練得到基于pso-bp神經(jīng)網(wǎng)絡(luò)建立的輸入變量和輸出變量間映射關(guān)系的相關(guān)性分析圖，如圖6所示，其相關(guān)系數(shù)r為0.92182；

本發(fā)明中實施例中提出的基于fwa-bp神經(jīng)網(wǎng)絡(luò)建立的輸入變量和輸出變量間映射關(guān)系的相關(guān)性分析圖，如圖7所示，其相關(guān)系數(shù)r為0.9479。

本發(fā)明將煙花算法引入到神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的優(yōu)化中，提出了一種基于fwa-bp網(wǎng)絡(luò)的預(yù)測模型，實驗和仿真結(jié)果表明，本發(fā)明提出的方法具有較低的預(yù)測誤差率和較少的迭代次數(shù)，可以有效解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測模型存在的預(yù)測精度低且迭代次數(shù)高的問題，為大樣本數(shù)據(jù)下快速有效地解決預(yù)測問題提供一種新方法。