( 2) 为了加快 网络的收敛速 度, 经过反 复比
较, 最终确定中间的节点数为 15, 得到 7 ∗ 15 ∗ 1
的网络结构。
( 3) 网络训练。根据初始连接权值进行训练
时, 对每个输入样本。网络输出与期望输出一般
总是有误差的, 这时就需要对权值进行调整, 在本
文中, 训练目标误差设定为 0. 001, 最小梯度设为
0 0005。经过 6 s, 112 次训练, 得到网 络的最终
权值。
从输入层到中间层的最终权值:
W
i j=
( 0. 2791
0. 4313
- 1. 3745
- 2. 3384
- 12. 5392
0. 4992
- 1. 1041
1. 6718
0. 1615
- 9. 7541
2. 1065
0. 2599
- 2. 1566
4. 7201
1. 1817
0. 0148
- 0. 7719
- 1. 4406
2. 1707
0. 9223
0. 6443
0. 7031
0. 0218
- 0. 0555
- 0. 6418
0. 8535
0. 7834
0. 3513
- 0. 7096
- 0. 5358
- 0. 0617
1. 0117
- 2. 9671
- 0. 3751
- 0. 4857
1. 6691
- 0. 6865
0. 8512
- 0. 2445
1. 2451
3. 9432
- 0. 2426
- 3. 3791
1. 8379
0. 6323
0. 5144
- 2. 7797
- 0. 5989
- 2. 287
1. 4911
- 0. 7094
0. 2770
3. 2399
0. 8606
5. 0410
0. 2392
- 1. 1614
2. 2919
0. 4147
- 0. 0224
- 4. 7770
- 7. 0530
- 0. 8914
- 3. 3297
0. 0318
- 0. 5471
- 2. 0896
2. 7501
- 1. 9617
1. 4256
1. 5208
1. 0691
0. 5826
1. 6254
- 1. 8799
- 2. 9368
- 0. 7878
3. 3383
- 0. 9826
0. 4077
0. 9877
4. 0741
- 2. 7142
- 0. 4566
- 0. 2265
0. 4770
- 1. 6974
- 2. 4521
- 12. 1283
4. 1069
- 1. 7548
4. 7316
- 1. 2935
7. 9892
- 2. 0824
2. 7563
2. 9876
2. 2628
1. 1165
0. 1128
- 5. 6846
1. 0486
- 3. 9710
- 1. 5571
- 2. 9676)
从中间层到输出层的最终权值:
V
jt=
( 5. 8916
4. 8745
- 3. 9540
6. 0453
- 0. 7293
3. 9708
- 2. 0171 3. 9121
3. 3527
3. 0201
- 2. 1749 - 3. 7859
- 6. 1761 - 1. 6984
- 5. 7649)
( 4) 测试。训练结束后, 得到 BP 神经网络输
入层到中间层以及中间层到输出层的最终权值,
这也就意味着 BP 神经网 络的 模型已 经建立 起
来, 但是还需要多次测试, 得出预测的正确率。本
文从实验数据中抽取 10 条, 进行测试。期望输出
与实际输出比较如图 1 所示:
图 1 期望输出与实际输出比较图
观察图中两条折线, 通过其吻合的程度可以
看出训练好的 BP 神经网络的实际输出与期望输
出结果十分接近。
( 5) 正确性。通过测试可以看出, 若该 BP 网
络模型的输出值与期望值基本一致, 在误差允许
的范围内, 则模型基本可靠, 这样基于 BP 神经网
络的质量预测体系就建立起来了。
4
BP 神经网络的服装质量预测的应用现
状及发展前景
在服装生产环节, 将影响服装成品质量的几
个重要因素作为 BP 网络的输入项, 而产品质量
合格率作为输出项, 这样 BP 网络就把 该问题转
化为一个多组样本输入输出的非线性化问题。更
为理想的是, 采用积极式的质量预测体系, 在产品
加工之前, 己可选定最优的加工环节, 最合理的原
料组配, 并预测达到的效果。
在服装生产中应用神经网络技术一方面希望
能够在客观的基础上得到接近人工专家对实际生
产中问题的判断和结论, 另一方面通过应用神经
网络控制技术能够解决服装生产中出现的更复杂
%
40
%
山东纺织科技
2010 年第 4 期