101
现代设计
制造技术
与
—— 科协论坛 ・ 2009 年第 11 期（下） ——
BP 神经网络原理来建立服装生产质量预测管理体系。
2.2 模型的建立
在一定的生产条件下，影响服装质量的因素取决于工艺
难度、面料的拉伸线性度、拉伸功、拉伸回复率以及纬向伸长
率与经向伸长率之比、工人技术熟练程度、设备质量与性能、
流水线平衡程度和工人的工作态度等等很多因素。为确定这
些因素与服装生产质量的定量关系，根据人工神经网络的基
本原理，设计相应的神经网络：
网络共分四层，一个输入层，二个隐含层，一个输出层。输
入层为影响服装生产质量的 N 个节点，输出层 1 个节点，为服
装生产的成品合格率。
令 Q
m
，H
i
，W
j
，O 分别为第 1、2、3、4 层的输出；U
i
，V
j
，S 分
别为第 2、3、4 层的输入；A
im
，B
ji
，C
j
分别为第 1 ～ 2 层，2 ～ 3
层，和 3 ～ 4 层单元的连接权值；X
i
，Y
j
，Z 分别为第 2、3、4 层
单元的偏置值；D
i
，J
j
，
G 分别为第 2、
3、
4 层的误差信号。
设有 L 个学习样本（Q
1
，T
1
），
（Q
2
，T
2
），
……，
（Q
l
，T
l
）
定义误差函数：
（1）
式中 T
k
，O
k
分别表示样本 k 时网络的期望输出和实际输
出值。
根据人工神经网络 BP 算法基本原理，采用逐次修正法，
用 FORTAIN 语言编制模型源程序。
模型计算步骤如下：
（简单起见，在模型中，我们暂假定影
响服装质量的因素为 8 个，实际生产中远远多于 8 个）
（1）网络初始化
取 学 习 步 长 =0.1，冲 量 因 子 =0.1，最 大 学 习 误 差
E=0.0001，
令权值 A
im
=B
ji
=Cj=0.65
（i=1，2，…，8；j=1，2，…，8；m=1，2，…，8）
置偏值 X
i
=Y
j
=Z=0.35
（i=1，2，…，8;j=1，2，…，8）
令样本输入值=输入层输出值（Q
m
），
（m=1，2，…，8）
（2）计算各层输入与输出
第二层
(i=1,2,…,8)
(2)
H
i
=f(U
i
)
(3)
式中：f为 Sigmoid 函数
第三层
(i=1,2,…,8)
(4)
W
j
=f
（V
j
）
(5)
第四层
(i=1,2,…,8)
(6)
O=f
（s）
(7)
（3）计算各层误差信号
G=
（O-T）・ O ・（1-O）
（8）
(8)
F
j
=G ・ C
j
・ W
j
（1-W
j
）
（9）
(9)
(10)
（4）修改各层权值
C
j
=C
j
+ G ・ W
j
(11)
FB
ji
=B
ji
+ F
j
H
i
(12)
A
im
=A
im
+ D
i
・ D
m
(13)
（5）修改各层偏置值
E=E+ G
(14)
Y
j
=Y
j
+ F
j
(15)
X
i
=X
i
+ D
i
(16)
（6）输入下一样本
（7）学习样本结束，更新学习次数
（8）如果 E<0.0001，学习结束
3 基于 BP 神经网络技术的质量管理预测系统的训练与校核
基于 BP 神经网络技术的服装生产管理系统设计生成后
在多家合作服装企业进行系统功能验证，分别从这些服装企
业采集服装生产成品质量与影响服装生产质量因素的记录数
据作为样本对本系统进行训练。我们进行过模型测试，通过
采用大量样本数据对本系统进行训练，可以使服装质量预测
误差控制在 3％－ 5％。
系统应用后，
我们将跟踪企业的试用情况，
来对本预测体
系进行严格的校核，如果达不到预期的效果我们将对系统进
行改进和自学习训练，直至达到预期效果。如果经过多次实
验验证并对系统进行有效校对，系统能够达成预期目的，将具
备软件的批量化生产及市场推广运用。运用 BP 神经网络技
术在服装生产管理系统中的运用将为有效控制服装生产过程
中的质量难以得到有效规避的问题提出了一个新的解决方
案。对我国传统服装行业推动智能化与现代化进程将具有重
要意义。
（本研究得到福建省高校服务海西建设重点项目（项目编
号为：
B054）的支持）
参考文献：
[1] 陈增强，
袁著祉.基于神经网络的非线性预测控制综述[J].
控制工程，
2002，
（04）.
[2] 柳永杰，
马建伟.神经网络技术在纺织上的应用[J]. 现代纺
织技术，2008，16（5）.
[3] 陈增强，
袁著祉，刘忠信，李翔，李少远，王群仙. 涤纶片基
拉膜生产线横向分布神经网络自校正预测控制[J]. 自动化
学报，2001，
（03）.
[4] 洪斌，杨香兰，王洪瑞. 一种改进的 RBF 神经网络学习算
法[J]. 系统工程与电子技术，2002，
（06）.