發(fā)布時間：2021-03-18 21:03

　　針對經(jīng)編生產(chǎn)過程中送經(jīng)量難以確定、調(diào)試費時費力且易造成資源浪費的問題,提出一種基于線性回歸模型的送經(jīng)量預(yù)測算法。以經(jīng)編產(chǎn)品數(shù)據(jù)庫中的大量產(chǎn)品工藝數(shù)據(jù)為基礎(chǔ),詳細(xì)介紹經(jīng)編工藝設(shè)計參數(shù)的篩選、模型的訓(xùn)練及工作原理,同時使用真實生產(chǎn)數(shù)據(jù)進(jìn)行預(yù)測試驗,并進(jìn)行模型評估,給出模型改進(jìn)方案。測試結(jié)果表明,模型的預(yù)測誤差僅為10.57%,具有較好的擬合預(yù)測效果,同時可以通過增加特征數(shù)量、優(yōu)化數(shù)據(jù)結(jié)構(gòu)等方法使模型預(yù)測性能進(jìn)一步提升。 

【文章來源】：針織工業(yè). 2020,(10)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

學(xué)習(xí)曲線

將屬性變量與送經(jīng)量結(jié)果分別作為橫、縱坐標(biāo)繪制散點圖后發(fā)現(xiàn)，一些屬性與最終送經(jīng)量結(jié)果之間并非簡單的線性關(guān)系，如牽拉密度與送經(jīng)量的關(guān)系，如圖2所示。由圖2可知，牽拉密度與送經(jīng)量呈負(fù)相關(guān)關(guān)系，且坐標(biāo)點軌跡與曲線更貼合，因此，確定能夠使用原有屬性的多項式擴(kuò)充原始數(shù)據(jù)集，從而修正模型高偏差的問題。

使用多項式屬性的模型也被稱為多項式回歸，使用原本經(jīng)編參數(shù)自身的高次項或多個參數(shù)的積生成新的屬性[8]，模型依然是線性模型，同樣能夠使用共軛梯度法進(jìn)行學(xué)習(xí)。根據(jù)送經(jīng)量相關(guān)研究，首先在數(shù)據(jù)集中添加牽拉密度的對數(shù)項ln C，而在繼續(xù)加入多項式屬性之前必須決定多項式屬性的最高次數(shù)，最高次數(shù)與屬性的數(shù)量直接相關(guān)。當(dāng)屬性數(shù)量足夠大時，模型往往會產(chǎn)生高方差的問題，即過擬合，此時訓(xùn)練得到的模型過分偏向于擬合訓(xùn)練集A中的數(shù)據(jù)，對于測試集T中的數(shù)據(jù)則無法較好地預(yù)測，最終會嚴(yán)重影響模型的預(yù)測準(zhǔn)確率。選擇適當(dāng)次數(shù)的多項式十分重要，然而此時僅將測試集T用于多項式模型的評估是不夠客觀的，會由于模型在單一測試集上的表現(xiàn)偏向而影響模型的選擇。在多項式模型的評估與選擇中，使用交叉驗證劃分法從數(shù)據(jù)集中額外劃分出一個驗證集V，用于評估不同次數(shù)多項式模型的性能來進(jìn)行多項式次數(shù)選擇，T用于評估多項式次數(shù)決定后訓(xùn)練得到的模型。使用不同次數(shù)多項式訓(xùn)練所得的模型與其對應(yīng)的誤差變化如圖3所示。隨著高次項次數(shù)的增加，模型對訓(xùn)練集的擬合效果越來越強(qiáng)，但在驗證集上能觀測到明顯的高方差現(xiàn)象，圖3中結(jié)果表明，多項式的最佳次數(shù)為2或3。根據(jù)模型在測試集上的最終表現(xiàn)，2次多項式模型與3次多項式模型的決定系數(shù)分別為0.803和0.724，所以最終選擇2次多項式回歸模型。

【參考文獻(xiàn)】：
期刊論文
[1]基于設(shè)計任務(wù)聚合相似度的學(xué)習(xí)曲線建模方法[J]. 董洪亮,張劍,江磊,宋小欣.  機(jī)械制造與自動化. 2019(02)
[2]基于線性回歸模型的菜花重量預(yù)測研究[J]. 郭霞霞,周桂紅,程洪.  河北農(nóng)業(yè)大學(xué)學(xué)報. 2019(01)
[3]基于混合隨機(jī)共軛梯度的最小二乘逆時偏移[J]. 李闖,黃建平,李振春,王蓉蓉,孫苗苗.  石油地球物理勘探. 2018(06)
[4]基于梯度下降的脈沖神經(jīng)元精確序列學(xué)習(xí)算法[J]. 楊靜,趙欣,徐彥,姜贏.  計算機(jī)工程與應(yīng)用. 2018(23)
[5]基于互聯(lián)網(wǎng)的經(jīng)編針織物CAD系統(tǒng)開發(fā)與實現(xiàn)[J]. 湯夢婷,蔣高明,王薇,高梓越.  紡織學(xué)報. 2018(10)
[6]組織工藝參數(shù)對經(jīng)編送經(jīng)量的影響[J]. 張吉生,蔣高明.  紡織學(xué)報. 2016(09)
[7]交叉驗證K近鄰算法分類研究[J]. 汪慶華,劉江煒,張?zhí)m蘭.  西安工業(yè)大學(xué)學(xué)報. 2015(02)
[8]多項式回歸的建模方法比較研究[J]. 付凌暉,王惠文.  數(shù)理統(tǒng)計與管理. 2004(01)



本文編號：3088930