本文關(guān)鍵詞： Python 機(jī)器學(xué)習(xí) GUI MEA-LM-BP神經(jīng)網(wǎng)絡(luò) 小波神經(jīng)網(wǎng)絡(luò)　出處：《東華大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：紡織加工過(guò)程中,原料的纖維指標(biāo)與成紗質(zhì)量指標(biāo)之間存在一定的聯(lián)系,我們可以借助神經(jīng)網(wǎng)絡(luò)算法來(lái)進(jìn)行成紗質(zhì)量預(yù)測(cè)。但是目前,我國(guó)的麻紗紡織行業(yè)企業(yè),智能化程度仍然不夠,例如,對(duì)數(shù)據(jù)的處理仍采用人工處理,雖然已有很多的研究表明神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)成紗質(zhì)量方面有很高的精確度,但是普通紡織企業(yè)并不能將其運(yùn)用到實(shí)際的生產(chǎn)過(guò)程中去。事實(shí)上,目前并沒(méi)有以普通紡織行業(yè)的普通工人為受眾的成紗質(zhì)量預(yù)測(cè)系統(tǒng)的開(kāi)發(fā),導(dǎo)致這些預(yù)測(cè)模型沒(méi)能實(shí)現(xiàn)用戶(hù)化。(1)本文在前人對(duì)成紗質(zhì)量預(yù)測(cè)算法的研究基礎(chǔ)上,通過(guò)對(duì)苧麻纖維指標(biāo):束纖維平均斷裂強(qiáng)(CN/Tex),精干麻平均支數(shù)(Nm),精干麻硬條率,精梳條麻粒,精梳條并絲,精梳條重量不勻,精梳條重量偏差,精梳條回潮率進(jìn)行訓(xùn)練,對(duì)成紗不勻,成紗條干,成紗麻粒三個(gè)性能指標(biāo)進(jìn)行預(yù)測(cè)。首先采用MEA-BP預(yù)測(cè)模型進(jìn)行建模分析,在此基礎(chǔ)上,采用LM算法優(yōu)化改進(jìn)MEA算法,從而提高了模型的預(yù)測(cè)精度,加快了收斂速度。提出了基于MEA-LM-BP的神經(jīng)網(wǎng)絡(luò)算法對(duì)成紗質(zhì)量進(jìn)行預(yù)測(cè)。首次引入小波神經(jīng)網(wǎng)絡(luò)算法對(duì)成紗質(zhì)量進(jìn)行預(yù)測(cè)。通過(guò)建模分析得出小波神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)成紗質(zhì)量方面有較高的預(yù)測(cè)精度。(2)本文借助Python平臺(tái)設(shè)計(jì)并實(shí)現(xiàn)了基于模塊化設(shè)計(jì)的成紗質(zhì)量預(yù)測(cè)系統(tǒng),設(shè)計(jì)了預(yù)測(cè)模塊,數(shù)據(jù)處理模塊以及可視化模塊,并且提供了便捷的GUI界面,用戶(hù)在使用時(shí)只需要以點(diǎn)擊按鈕的方式就可以實(shí)現(xiàn)使用模型完成成紗質(zhì)量預(yù)測(cè)的操作。(3)運(yùn)用web技術(shù)單獨(dú)設(shè)計(jì)了一個(gè)簡(jiǎn)單的在線(xiàn)麻紗數(shù)據(jù)管理頁(yè)面,方便數(shù)據(jù)的在線(xiàn)管理,方便相關(guān)人員可以隨時(shí)隨地進(jìn)行數(shù)據(jù)的增、刪,改等操作,最重要的意義在于此web頁(yè)面可以直接與麻紗預(yù)測(cè)系統(tǒng)進(jìn)行對(duì)接,甚至可以實(shí)現(xiàn)對(duì)實(shí)時(shí)數(shù)據(jù)的操作,這樣的設(shè)計(jì)更符合大數(shù)據(jù)時(shí)代的潮流。
[Abstract]:In the process of textile processing, there is a certain relationship between fiber index of raw material and yarn quality index. We can use neural network algorithm to predict yarn quality. The degree of intelligence is still insufficient. For example, data processing is still done manually, although many studies have shown that neural networks have a high degree of accuracy in predicting yarn quality. But ordinary textile enterprises cannot apply it to the actual production process. In fact, at present, there is no development of a yarn quality prediction system aimed at ordinary workers in the ordinary textile industry. In this paper, based on the previous research on the prediction algorithm of yarn quality, the index of Ramie fiber, such as the average breaking strength of Ramie fiber, the average number of branches of dried Ramie, the percentage of hard sliver, the combed yarn, the average number of Ramie fiber, the average number of Ramie fiber, the quality of Ramie fiber and the quality of Ramie fiber, were studied in this paper. Combed sliver silk, combed sliver weight unevenness, combed sliver weight deviation, combed strip moisture regain are trained to predict three performance indexes: yarn unevenness, yarn drying and yarn granulation. Firstly, MEA-BP prediction model is used to model and analyze. On this basis, the LM algorithm is used to optimize and improve the MEA algorithm, thus the prediction accuracy of the model is improved. A neural network algorithm based on MEA-LM-BP is proposed to predict yarn quality. Wavelet neural network algorithm is introduced to predict yarn quality for the first time. Through modeling and analysis, it is concluded that wavelet neural network can predict yarn quality. This paper designs and realizes the yarn quality prediction system based on modular design with the help of Python platform. The prediction module, the data processing module and the visualization module are designed, and the convenient GUI interface is provided. Users can use the model to complete yarn quality prediction by clicking the button.) using web technology to design a simple online linen yarn data management page to facilitate the online management of data. The most important meaning of this web page is that it can connect directly with the yarn prediction system, and even realize the operation of real-time data. This design is more in line with the trend of the big data era.
【學(xué)位授予單位】：東華大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TS103.62;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 姚建盛;劉艷玲;李淑梅;;基于Python的DTN仿真平臺(tái)[J];新型工業(yè)化;2016年09期

2 程桂花;沈煒;何松林;張珂杰;;Node.js中Express框架路由機(jī)制的研究[J];工業(yè)控制計(jì)算機(jī);2016年08期

3 李國(guó)鋒;;基于嶺回歸分析的精梳紗棉結(jié)預(yù)測(cè)模型構(gòu)建[J];棉紡織技術(shù);2016年07期

4 王振振;;Python科學(xué)計(jì)算包在實(shí)驗(yàn)數(shù)據(jù)處理中的應(yīng)用[J];計(jì)量技術(shù);2015年07期

5 張敏;徐啟華;丁博;;非線(xiàn)性函數(shù)逼近的幾類(lèi)神經(jīng)網(wǎng)絡(luò)方法比較研究[J];淮海工學(xué)院學(xué)報(bào)(自然科學(xué)版);2015年02期

6 ;斯坦福大學(xué)公開(kāi)課：機(jī)器學(xué)習(xí)課程——Open Stanford Course Engineering Everywhere-MachineLearning[J];CAD/CAM與制造業(yè)信息化;2015年Z1期

7 陸茂邦;;論機(jī)器學(xué)習(xí)[J];計(jì)算機(jī)光盤(pán)軟件與應(yīng)用;2014年08期

8 趙麗艷;;MATLAB仿真技術(shù)在自動(dòng)化專(zhuān)業(yè)教學(xué)中的應(yīng)用[J];吉林工程技術(shù)師范學(xué)院學(xué)報(bào);2014年01期

9 吳迪;;信息化加快打造紡織產(chǎn)業(yè)升級(jí)版[J];中國(guó)紡織;2014年01期

10 高曉艷;郁崇文;;苧麻纖維性能與成紗質(zhì)量的人工神經(jīng)網(wǎng)絡(luò)分析[J];中國(guó)麻業(yè)科學(xué);2012年04期

相關(guān)碩士學(xué)位論文 前10條

1 陳丹麗;紗線(xiàn)恒張力控制系統(tǒng)軟件設(shè)計(jì)[D];鄭州大學(xué);2016年

2 許琪;多傳感器信息融合算法研究及其應(yīng)用[D];哈爾濱理工大學(xué);2016年

3 陸遙;數(shù)據(jù)可視化探索系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)[D];浙江大學(xué);2016年

4 許文鵬;數(shù)據(jù)可視化系統(tǒng)架構(gòu)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2015年

5 紀(jì)偉;基于腳本語(yǔ)言的海洋數(shù)據(jù)處理與可視化研究[D];中國(guó)海洋大學(xué);2015年

6 劉婷婷;選擇性集成遷移算法研究[D];西安電子科技大學(xué);2013年

7 康計(jì)良;Python語(yǔ)言的可視化編程環(huán)境的設(shè)計(jì)與實(shí)現(xiàn)[D];西安電子科技大學(xué);2012年

8 瞿新玲;基于知識(shí)庫(kù)的多級(jí)軟件重用技術(shù)研究與實(shí)現(xiàn)[D];哈爾濱工程大學(xué);2009年

9 婁宇;嵌入式圖形界面自動(dòng)生成技術(shù)研究[D];華中科技大學(xué);2007年

10 鄭波;配棉工藝系統(tǒng)與紡紗質(zhì)量預(yù)測(cè)的分析與設(shè)計(jì)[D];東南大學(xué);2006年

，

本文編號(hào)：1505434