基于SVM特征选择的整经轴数预测算法

提出了一种基于改进支持向量机(SVM)特征选择算法及神经网络的整经轴数预测算法,该算法采用改进SVM算法选择影响整经轴数的关键特征,在此基础上利用前馈神经网络获得整经轴数的预测值.在数值计算及实际制造企业的应用效果表明该算法有效,能满足实际棉纺生产过程整经轴数预测的需要.

面向色织生产过程的整经轴数智能预测算法

整经轴数是色织生产中由整经工艺确定的一个品种内待加工的整经轴数目,该参数是制定色织生产作业计划所需的重要特征量。由于整经工艺制定过程非常复杂,其通常需要较长时间才能完成,因而该参数在调度时难以有效获取。为解决复杂色织生产过程调度所需的整经轴数预测问题,提出了一种智能预测算法。该算法针对实际问题特点,将支持向量机与神经网络技术相结合,由支持向量机对与整经轴数相关的参数进行特征提取,并将特征提取后的特征属性作为神经网络的输入,相应的特征属性权重被用以指导神经网络的学习过程。数值计算及实际制造企业应用效果表明该算法是有效的,能满足面向实际色织生产过程的整经轴数预测需要。

色织生产调度中基于ANFIS的整经轴数智能预测

分析了整经轴数预测在实际色织生产过程调度中所起的重要作用。由于与整经轴数相关的工艺属性较多且关系复杂,一般的神经网络法难以确定工艺属性与整经轴数之间关系或应用效果不佳,同时神经网络是一个“黑箱”,从中无法对影响整经轴数的因素进行分析,因此提出了基于ANFIS的整经轴数智能预测方法。在该方法中,采用ANFIS作为整经轴数的预测技术,并针对ANFIS输入变量维数较大的问题,提出了一种基于模糊C均值聚类算法的ANFIS结构辨识方法。将该预测方法用于实际的色织生产过程调度的整经轴数预测中,实验结果表明该预测方法是有效的。