织物柔软度的BP网络法等级评价标准

织物的柔软度是织物品质评定的重要内容，它不仅影响织物的外观风格，而且影响织物的穿着性能。然而，目前还没有一套完整的体系用于评价织物的柔软度，大多数还是采用主观评价的方法。王亚等对织物进行主成分分析，所得的综合评价值作为织物柔软度的评价指标，对织物柔软度进行等级划分，得到了一个较为客观完善的评价体系[1]。但是这种方法在用主成分分析计算各子样的综合评价值时数据较多且算法复杂，因此有必要对此算法进一步改进，寻求简洁的方法评价织物柔软度。
织物的弯曲性能、剪切性能和压缩性能等与织物的柔软度存在着复杂的非线性关系，而BP 神经网络具有自学习、自组织、自适应和非线性动态处理等特性，特别适合处理复杂的非线性过程[2]。在处理问题时，不需要研究对象的精确数学模型，而是通过对神经网络的训练和学习，逐步调整各权值，解决问题。本文基于王亚等所建立的织物柔软度评价体系，提出以织物弯曲性能、剪切性能和压缩性能等指标作为输入，以柔软度等级作为输出，建立一个织物力学指标与柔软度等级关系的 BP 神经网络模型，对织物柔软度进行评价。

BP 神经网络工作原理：
BP 神经网络是一种基于误差反向传播的多层前馈型网络。一般由输入层、输出层和隐层构成，每一层包含若干个神经元，各层之间相互连结。样本由输入层传入，经隐层处理后传向输出层。若输出层的输出与目标输出不符，则产生一个误差，误差反向传播，从输出层经过各隐层传回到输入层，从而逐层修正各连接权值。权值不断调整，直到网络的目标误差达到要求或进行到设定的学习次数为止，该过程也称作网络的学习过程。由于网络结构简单、可调参数多、可控性好，因此获得了广泛的应用，并且在纺织上已成功应用于织物疵点识别、上浆率预测和纺纱工艺参数评定[3-5]等方面。

柔软度评价体系模型的建立与训练：
试验数据
织物的柔软性与其弯曲性能、剪切性能和压缩性能有着密切的关系，文献[1]选取了 30块柔软范围较大、波动均匀、较具代表性的织物进行测试。试验中利用 KES-F 风格仪对织物的弯曲刚度、弯曲滞后矩、剪切刚度、剪切滞后矩、厚度等 12 项指标进行测试，并根据所求得的综合评价值对织物柔软度由软到硬划分为 6 个等级，1 级软 6 级硬。
试验数据的选取对模型的建立及训练密切相关。一般来说，选择的试样应具有广泛性和随机性，这样的数据才有可能包含问题的全部模式。因此，本文随机选取了 1~6 等级中每等级 3 组共 18 组数据用于模型训练，仍选用 F1~F4 四块织物做模型检验。测量数据及织物所属等级见表 1、表 2。
设计 BP 神经网络
1）输入与输出层设计
根据 KES-F 风格仪所测得数据，共有 12 项参数共同影响织物的柔软度，对应于这些参数，BP 神经网络的输入神经元个数应为 12。以柔软度等级作为输出，则输出神经元个数为1。
2）隐层的设计
一个三层 BP 网络可以完成任意 N 维到 M 维的映射[6]，简洁起见本文选取的网络层数

输入参数对输出结果的影响由网络权值决定，因此，知道网络各层间的权值及其分布就可以得到织物柔软度的评价等级，而各层神经元之间的连接权值通过对模型的训练得到。

结论：
织物柔软度是织物品质评定的重要内容，依据织物的综合评价值对柔软度进行等级划分可以得到量化的结果，并且具有客观性和合理性[1]。用 BP 神经网络对织物柔软度进行等级评价，建立织物力学指标与柔软度等级之间关系的模型，省略了中间的求解过程，方法客观、准确、简洁，为快捷评价织物的柔软度提供了新思路。

上一篇: 浆料制备因素对纸张的柔软度影响分析