谷有众， 高卫东， 卢雨正， 刘建立， 杨瑞华

(江南大学 纺织服装学院， 江苏 无锡 214122)

应用遗传算法优化支持向量回归机的喷气涡流纺纱线质量预测

谷有众， 高卫东， 卢雨正， 刘建立， 杨瑞华

(江南大学 纺织服装学院， 江苏 无锡 214122)

为探究熟条质量对喷气涡流纺纱线质量的影响，建立了遗传算法优化的支持向量回归机预测模型。模型的输入端参数为熟条的4项指标(条干CV值、回潮率、定量和定量不匀率)，分别对19.7 tex和11.8 tex的涤纶/粘胶(67/33)喷气涡流纺纱线进行强力和条干CV值预测试验，同时建立了BP神经网络模型作对比试验。2种模型预测对比分析的结果表明：遗传算法优化的支持向量回归机模型的稳定性和精度要比BP神经网络模型高得多，更适用于描述熟条质量与喷气涡流纺纱线质量(单纱强力和纱线条干CV值)间的非线性关系。

遗传算法； 支持向量回归机； 喷气涡流纺； 纱线强力； 条干CV值

有关涡流纺纱线质量与前道工序熟条质量指标之间关系的研究很少。本文的研究对象为涤纶/粘胶(67/33)的19.7 tex和11.8 tex涡流纺纱线，实验在MVS-870机器的单台单锭上进行，将涡流纺的纺纱区、清纱区和络筒区看作一个单一的纺纱整体。建立熟条质量指标和筒子纱质量指标间的稳定映射关系是本文的研究重点。

国内外有关纱线质量预测的方法很多，如多元线性回归模型和神经网络模型，但都存在各自的不足，如：多元线性回归的方法虽然在描述线性关系时预测精度高，但其样本适用性差，当回归时选用的样本不同或样本数量不同，得到的模型参数也不一定相同，且不适用于描述熟条质量指标与纱线质量指标间的复杂非线性关系[1-2]；RBF神经网络模型的形状参数需要经过大量试验才能确定，因此模型建立比较复杂，且RBF神经网络模型的容错能力较BP神经网络模型要差[3]；BP神经网络模型在纱强、毛羽和条干等方面的准确性都比多元线性回归模型好[4-5]，但在小样本数据的环境下，其预测效果并不理想，原因是神经网络模型是以经验风险最小化原则为理论基础，对于样本数据的要求过高。支持向量回归机(support vector regression,SVR)在20世纪末就提出了，其模型在复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地预测任意样本的能力)之间寻求最佳平衡，这样可以保证在训练样本有限的情况下避免出现过度拟合的现象，有效地提高模型的泛化能力。

本文采用遗传算法[6-7]对支持向量回归机的2个参数(惩罚因子c和核函数参数g)进行优化建模，使得纱线质量预测模型更准确、稳定。通过K折交叉的方法对30组数据样本进行分组验证，并与BP神经网络预测模型进行对比分析。结果表明本文模型具有更高的预测精度和稳定性，为小样本情况下纱线质量预测提供了新的方法。

1 模型构建

1.1 BP神经网络模型

在BP神经网络以一种误差反向传播的神经网络，网络结构包含1个输入层、若干个隐含中间层和1个输出层，1个3层结构的BP神经网络模型可以完成任意N维到H维的映射[8]。本文构建的神经网络模型的参数见表1。

表1 BP模型中主要参数

1.2 遗传算法优化的支持向量回归机模型

1.2.1 支持向量回归机

支持向量回归机是建立在统计学习理论VC维理论和结构风险最小化(SRM)原理的基础上，在解决非线性回归问题时，通过使用非线性映射将低维输入空间的样本映射到高维属性空间使其变为线性可分的情况，从而使得在高维属性空间采用线性算法对样本的非线性进行分析。其基本思想是求解核函数和二次规划问题，通过核函数将数据映射到高维空间来解决非线性可分的问题[9-10]。本文的SVR模型中核函数选择RBF核，RBF核函数的公式[11]为

(1)

式中：x和x*是特征向量；σ是决定径向基核函数的带宽，k(x,x*)为核函数。

1.2.2 遗传算法设计

遗传算法是一种模拟生物进化过程搜索最优解的智能算法，参数设置见表2。算法的核心步骤如下。

表2 本文模型算法中主要参数

1.2.2.1 个体适应度函数f遗传算法进行参数寻优时，选择测试集的期望样本输出与预测的输出均方根误差的倒数平均值作为个体最终的适应度值，如式(2)、(3)所示。

(2)

(3)

1.2.2.2 遗传操作 遗传操作包括选择、交叉、变异。

1)选择操作：选择算子采用赌轮盘的方法，设种群的大小为M，其中个体j的适应度值为fj，则j被选择的概率为Psj。

(4)

2)交叉操作：本文使用算数交叉法，算数交叉实质为2个个体的线性组合来产生新的个体。设2个个体为Xa、Xb，算数交叉过程为：

(5)

3)变异操作：变异操作采用单重均匀变异法，在个体的基因中均匀随机地选择一个变异元Xi，根

据变异元的取值范围(本文范围为(0,16])均匀随机地选择一个随机数来替代原基因的值，变异操作能恢复个体失去的或未开发的遗传物质。

1.2.3 遗传算法优化SVR模型的流程

选用MatLab2012b进行建模。SVR模型选定后，还需要对模型中的惩罚参数c和核函数参数g进行最优化选定,g与带宽σ的关系如式6所示。

(6)

优化的算法流程如图1所示(图中gen为当前迭代的代数，Gmax为最大迭代代数)。

1)根据经验给出c和g值的范围为(0,16]；

s2)随机初始化种群(c和g2个值)，并进行浮点数编码；

3)遗传算法优化参数时，对29组训练样本进行29次交叉训练和验证，求出计算平均适应度值，并选出适应度值最好的个体；

4)选择交叉变异种群，对训练样本进行交叉训练和验证，并计算平均适应度值，与之前的最好适应度值进行对比进行取舍，重复4)直至达到迭代步数Gmax；

5)对最终具有最优适应度值的种群进行解码，即可得到最优的惩罚因子c和核函数参数g。

2 实验方案

本文以涤纶/粘胶(67/33)的19.7 tex和11.8 tex涡流纺纱线为研究对象，由于涡流纺纱线质量与熟条质量关系密切，因此模型的输入端为熟条的4项质量指标(熟条条干CV值、熟条回潮率、熟条的定量和熟条的定量不匀率)，预测指标为纱线单纱强力和纱线的条干CV值。

样本数据包括：30组熟条4项质量指标的样本数据、30组19.7 tex纱线质量指标样本数据(包括单纱强力和条干CV值)、30组11.8 tex纱线质量指标样本数据(包括单纱强力和条干CV值)。分别对19.7 tex和11.8 tex的单纱强力和条干CV值进行预测。

采用K折交叉验证[12](K Cross-validation)的方法，如图2所示。

将30组样本数据统一编号为Xi(i=1,2,…,30)，共进行30组预测实验，实验编号为Ti(i=1,2,…,30)，实验时，Xi中的1组数据被作为测试样本，其余的29份数据作为训练集，当使用遗传算法优化参数时，采用交叉验证的方法将训练集的29个样本分为29组，每次取其中28组用来训练，剩余的1组用来验证，这样将29组交叉验证所得到的适应度值的均值作为Ti组实验所得最终的个体适应度值。此方法保证了每组样本数据被作为训练样本的次数是相同的，并且每组数据只被测试1次，这样可以合理地对预测模型的准确性和可靠性进行验证。

3 实验结果与分析

将本文的遗传算法优化SVR预测模型与BP神经网络预测模型进行单纱强力和纱线条干CV值的预测对比实验。表3示出2种模型分别预测纱线强力和纱线条干CV值得到误差。

表3 2种模型预测时的最大相对误差

3.1 纱线强力预测

2种模型对19.7 tex和11.8 tex纱线的强力预测所得的结果与实际值的相关性分析如图3、4所示。

从图3、4可以看出，本文模型对19.7 tex和11.8 tex纱线的强力预测值与实际值的相关性系数皆在0.9以上，说明该模型对单纱强力的预测效果较BP神经网络要好。为了进一步描述模型的预测效果，按相对误差所在范围(相对误差范围误差范围分为：[0,1%)，[1%,2%)，[2%,3%)，[3%,4%)，≥4%)进行样本个数统计，2种模型的统计结果如图5、6所示。图5、6分别对2种纱线强力预测结果的相对误差范围进行了统计，可以看出，优化后SVR模型的相对误差主要分布在0～2%内，而BP神经网络预测模型的预测结果在5组范围中的分布较均匀，这同样证明了BP神经网络预测模型的单纱强力预测精度及稳定性皆不如本文模型。

3.2 纱线条干CV值预测

对2个品种纱线条干CV值的预测结果与实际值的相关性进行对比分析，如图7、8所示。图7(a)与图8(a)中相关系数分别达到了0.906和0.934，而图7(b)与图8(b)中相关系数只有0.771和0.862，这说明优化后的SVR模型对纱线条干CV值的预测更精确。

图9、10分别示出对2种纱线条干CV值预测结果的相对误差范围进行的统计结果。图9中优化后SVR模型的预测相对误差在[0,1%)范围内的样本数达到了22组，而相对误差大于等于3%的样本数为0。虽然相对误差在[0,1%)范围内的样本数，BP神经网络比SVR模型要稍高，然而相对误差范围在[1%,2%)和[2%,3%)的样本个数，SVR模型均要优于BP神经网络模型，BP神经网络模型在大于3%的相对误差范围内比SVR占有高的样本数，且从5个相对误差范围整体来看，神经网络的预测稳定性要差。从表3也可以发现，对于纱线条干CV值的预测来看，优化后SVR模型预测所得的最大相对误差要远小于BP神经网络模型。综合以上分析，本文模型对纱线条干CV值的预测稳定性好，精度高。

4 结束语

通过采用遗传算法对支持向量回归机中的参数进行优化，从而建立起遗传算法优化的SVR纱线质量预测模型，同时建立BP神经网络模型。采用交叉验证的方法将30个样本数据分为训练集和测试集，分别对涤纶/粘胶(67/33)的19.7 tex和11.8 tex喷气涡流纺纱线进行2种模型的纱线强力和条干CV值的预测对比实验。对预测实验的结果进行统计分析表明，在小样本数据的情况下，不论是19.7 tex还是11.8 tex的纱线，对于纱线强力和纱线条干CV值的预测准确度和稳定性而言，本文模型比神经网络模型要好，这对于进行其他的纤维品种、混纺比和支数的喷气涡流纺纱线质量预测研究具有重要的借鉴意义。

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, 金凤英, 等. 基于神经网络的精纺毛纱性能预测模型比较[J]. 纺织学报， 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, 于伟东. 基于BP神经网络的纱线质量预报模型[J].东华大学学报, 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] 马永杰, 云文霞. 遗传算法研究进展[J]. 计算机应用研究, 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] 陈峰, 武小悦. 基于定向变异算子的求解GA欺骗问题的研究[J]. 系统工程与电子技术, 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] 项前,杨建国,程隆棣.支持向量机的纱线质量预测[J].纺织学报, 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] 邓乃扬，田英杰．数据挖掘中的新方法一支持向量

机[M]．北京：科学出版社, 2004: 96-123. DENG Naiyang, TIAN Yingjie. New Method in Data Mining: Support Vector Machine[M]. Beijing: Science Press, 2004: 96-123.

[12] 李艳芳, 王钰, 李济洪. 几种交叉验证检验的可重复性[J]. 太原师范学院学报, 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

国家自然科学基金项目(51403085)；江苏省自然科学基金项目(BK20130148)；江苏省产学研基金项目(BY2014023-24)；留学回国人员科研启动基金项目(2014-1685)；江苏省社科基金指导项目(2011SJD760004)

谷有众(1990—)，男，硕士生。主要研究方向为喷气涡流纺纱线质量预测。高卫东，通信作者，E-mail: gaowd3@163.com。

TS 111.8

A