一种基于小样本学习的纱线质量预测方法及相关装置与流程

1.本技术涉及纺纱技术领域，特别涉及一种基于小样本学习的纱线质量预测方法；还涉及一种基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质。


背景技术：

2.在纱线生产加工过程中，最终的成纱质量与配棉方案、生产工艺、设备性能等因素存在着密不可分的联系。棉纺企业经常遇到纤维原料批次不同、品种需要翻新等问题，然而基于大规模纺纱数据建立优化配棉模型来预测纺纱质量，往往难以适应目前企业多品种、小批量生产的模式。因此，提供一种适应多品种、小批量生产模式，能够精确预测纱线质量的技术方案已成为本领域技术人员亟待解决的技术问题。


技术实现要素：

3.本技术的目的是提供一种基于小样本学习的纱线质量预测方法，适应多品种、小批量生产模式，能够精确预测纱线质量。本技术的另一个目的是提供一种基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质，均具有上述技术效果。
4.为解决上述技术问题，本技术提供了一种基于小样本学习的纱线质量预测方法，包括：
5.通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；
6.通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；
7.通过训练完成的所述支持向量回归模型预测纱线质量。
8.可选的，所述通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数包括：
9.对所述原棉纤维的特征参数的样本序列与对应的参考序列进行去量纲化处理；
10.分别计算去量纲化处理后所述样本序列中的各个数据与参考序列中对应的参考数据的关联系数；
11.根据各所述关联系数，计算得到所述样本序列与对应的所述参考序列的关联程度；
12.根据所述关联程度，筛选所述特征参数，得到所述关键特征参数。
13.可选的，所述通过粒子群优化算法确定所述支持向量回归模型的超参数包括：
14.计算粒子的适应度；所述粒子包括所述超参数；
15.当所述粒子的适应度大于历史最优值时，以所述粒子当前的位置作为个体极值；
16.当所述个体极值大于全局极值时，以所述个体极值作为全局极值，并以所述全局极值作为所述超参数的值。
17.可选的，所述通过粒子群优化算法确定所述支持向量回归模型的超参数还包括：
18.根据确定惯性权重；
19.根据所述惯性权重更新所述粒子的状态。
20.w为所述惯性权重，w
max
、w
min
为所述惯性权重的最大值与最小值，t
current
为当前迭代步数，t
max
为最大迭代步数。
21.可选的，所述样本还包括细纱工序的工艺参数。
22.可选的，还包括：
23.评估所述支持向量回归模型，并在所述支持向量回归模型不满足预设条件时，重新训练所述支持向量回归模型。
24.可选的，还包括：
25.构建先验知识库，以根据所述先验知识库生成所述粒子。
26.为解决上述技术问题，本技术还提供了一种基于小样本学习的纱线质量预测装置，包括：
27.特征参数筛选模块，用于通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；
28.模型训练模块，用于通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；
29.纱线质量预测模块，用于通过训练完成的所述支持向量回归模型预测纱线质量。
30.为解决上述技术问题，本技术还提供了一种基于小样本学习的纱线质量预测设备，包括：
31.存储器，用于存储计算机程序；
32.处理器，用于执行所述计算机程序时实现如上任一项所述的基于小样本学习的纱线质量预测方法的步骤。
33.为解决上述技术问题，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于小样本学习的纱线质量预测方法的步骤。
34.本技术所提供的基于小样本学习的纱线质量预测方法，包括：通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；通过训练完成的所述支持向量回归模型预测纱线质量。
35.可见，本技术所提供的基于小样本学习的纱线质量预测方法，通过灰色关联度分析对原棉纤维的特征参数进行筛选，得到能够较好表征原棉纤维性能的关键特征参数。并且，本技术所提供的纱线质量预测方法，采用粒子群优化算法对支持向量回归模型的超参数进行合理估计，可以有效解决支持向量回归模型的超参数无法直接得到解析解以及传统的经验法、多次试验法等费时且易陷入局部最优，影响模型的质量与泛化能力的问题，进而实现对纱线质量的精确预测，能够有效减少品种翻改时的小样试纺时间以及原料浪费，提高纺纱企业对市场需求的反应速度。
36.本技术所提供的基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
37.为了更清楚地说明本技术实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1为本技术实施例所提供的一种基于小样本学习的纱线质量预测方法的流程示意图；
39.图2为本技术实施例所提供的另一种基于小样本学习的纱线质量预测方法的示意图；
40.图3为本技术实施例所提供的一种基于小样本学习的纱线质量预测装置的示意图；
41.图4为本技术实施例所提供的一种基于小样本学习的纱线质量预测设备的示意图。
具体实施方式
42.本技术的核心是提供一种基于小样本学习的纱线质量预测方法，适应多品种、小批量生产模式，能够精确预测纱线质量。本技术的另一个核心是提供一种基于小样本学习的纱线质量预测装置、设备以及计算机可读存储介质，均具有上述技术效果。
43.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.请参考图1，图1为本技术实施例所提供的一种基于小样本学习的纱线质量预测方法的流程示意图，参考图1所示，该方法包括：
45.s101：通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；
46.原棉纤维的特征参数包括纤维纯度、马克隆值、上半部平均长度、整齐度、短纤维指数、单纤维强度、单纤维伸长度、黄度、杂质等。为充分发挥svm(support vector machines，支持向量机)小样本学习的优势，本实施例采用灰色关联度分析对原棉纤维的特征参数进行筛选，得到能够较好表征原棉纤维的性能的关键特征参数。
47.在一些实施例中，所述通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数包括：
48.对所述原棉纤维的特征参数的样本序列与对应的参考序列进行去量纲化处理；
49.分别计算去量纲化处理后所述样本序列中的各个数据与参考序列中对应的参考数据的关联系数；
50.根据各所述关联系数，计算得到所述样本序列与对应的所述参考序列的关联程度；
51.根据所述关联程度，筛选所述特征参数，得到所述关键特征参数。
52.具体而言，设有n个原棉纤维的特征参数，第i个特征参数的样本序列为xi＝[xi(k),xi(k+1),...,xi(k+m)]，i∈[1,n]，m为序列长度。样本序列对应的参考序列为x
ref
＝[x
ref
(k),x
ref
(k+1),...,x
ref
(k+m)]。
[0053]
原棉纤维的特征参数包括：正向特征参数(越小越优型特征参数)与负向特征参数(越大越优型特征参数)。
[0054]
对于正向特征参数，样本序列中各数据去量纲化处理方式为：
[0055][0056]
对应的参考序列中各参考数据的去量纲化处理方式为：
[0057][0058]
对于负向特征参数，样本序列中各数据去量纲化处理方式为：
[0059][0060]
对应的参考序列中各参考数据的去量纲化处理方式为：
[0061][0062]
为去量纲化处理后的数据。
[0063]
进一步，根据分别计算得到去量纲化处理后样本序列中的各个数据与去量纲化处理后参考序列中对应的参考数据的关联系数。
[0064]
上式中，λi(k)表示第i个特征参数的样本序列中第k个数据与对应的参考序列中对应的参考数据之间的关联系数；η为分辨率，取值范围为[0,1]，典型值为0.5；max(max(a))得到矩阵a中的最大数值，min(min(a))得到矩阵a中的最小数值。其中，矩阵
[0065]
进一步，根据计算得到特征参数的样本序列与对应的参考序列的关联程度；
[0066]
上式中，γi表示第i个特征参数的样本序列与对应的参考序列的关联程度。γi越大，说明样本序列对参考序列的影响越大。
[0067]
在此基础上，按照关联程度的大小进行排序，并从中筛选出关键特征参数。其中，优选的筛选出样本序列与对应的参考序列的关联程度较大的特征参数。另外，在筛选关键特征参数时，可以结合先验知识库进行筛选。
[0068]
s102：通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；
[0069]
样本可表示为(χi,yi)，i∈[1,l]，χi为输入支持向量回归模型的特征向量，该特征向量包括原棉纤维的关键特征参数。yi为某项纱线质量性能指标的观测值，l为样本规模。数据集可表示为{(χ1,y1),(χ2,y2),...,(χ
l
,y
l
)}。
[0070]
其中，为了更精确的预测纱线质量，在一种具体的实施方式中，样本还包括细纱工序的工艺参数。也就是输入支持向量回归模型的特征向量还包括细纱工序的工艺参数。细纱工序的工艺参数包括总牵伸倍数、捻系数、罗拉隔距、钢丝圈型号等。
[0071]
在样本还包括细纱工序的工艺参数的情况下，还可以通过灰色关联度分析筛选细纱工序的工艺参数，得到关键工艺参数，以便通过包括关键工艺参数的样本训练支持向量回归模型。
[0072]
svm在解决小样本、非线性、高维模式识别问题具有独特的优势，本实施例将纱线质量预测问题视为svr(support vector regression，支持向量回归)问题，即寻求使得所有样本距离超平面总偏差最小时的最优超平面。
[0073]
支持向量回归模型即svr模型的创建方式可以包括：
[0074]
构造决策函数：
[0075]
上式中，w为权向量，b为偏置，为映射函数。
[0076]
几何间隔：
[0077]
上式中，ρ为样本到决策面的距离。
[0078]
svr的目标是寻找一个几何间隔最大的决策面，此时距离最优决策面最远的样本或训练实例称为支持向量。为了避免模型过拟合而影响svr的回归效果，本实施例通过“柔性边界”来包容一些样本分类出现误差的情况，进而构造目标函数：
[0079][0080]
上式中，ξi、ξ
i*
为松弛因子，c为惩罚系数或者称为正则化系数。
[0081]
进一步，将上式带约束最优化问题转化为无约束最优化问题，构造拉格朗日函数：
[0082][0083]
上式中，αi≥0、βi≥0、为拉格朗日乘子。
[0084]
对拉格朗日函数求偏导，再根据对偶原理、kkt条件及核函数方法得到svr模型：
[0085]
[0086]
式中，例如选取高斯核，其表达式为：
[0087][0088]
其中，σ为带宽调节参数。
[0089]
svr模型的超参数包括正则化系数c与带宽调节参数σ。由于svr模型的超参数一般无法直接得到其解析解，而传统的经验法、多次试验法等费时且易陷入局部最优，影响模型的质量与泛化能力，因此本实施例采用pso(particle swarm optimization，粒子群优化)算法对svr模型的超参数进行合理估计。
[0090]
其中，在一些实施例中，所述通过粒子群优化算法确定所述支持向量回归模型的超参数包括：
[0091]
计算粒子的适应度；所述粒子包括所述超参数；
[0092]
当所述粒子的适应度大于历史最优值时，以所述粒子当前的位置作为个体极值；
[0093]
当所述个体极值大于全局极值时，以所述个体极值作为全局极值，并以所述全局极值作为所述超参数的值。
[0094]
具体而言，令搜索空间维度为d，种群规模为g，粒子包含svr模型的超参数c与σ。定义种群s＝(s1,s2,...,sg)，第i个粒子的位置向量为si＝(s
i1
,s
i2
,...,s
id
)，速度向量为vi＝(v
i1
,v
i2
,...,v
id
)，第i个粒子迄今搜索到的最优位置(即个体极值)为pi＝(p
i1
,p
i2
,...,p
id
)，整个种群迄今搜索到的最优位置(即全局极值)为pg＝(p
g1
,p
g2
,...,p
gd
)，其中，i∈[1,g]，d＝2。
[0095]
其中，为了保证种群的优良性、多样性以及pso算法的整体搜索能力，优选的，可以基于先验知识库采用启发生成与随机生成组合模式来产生g个粒子。
[0096]
基于欧式距离法，计算粒子的适应度：
[0097][0098]
式中，fi为第i个粒子的适应度，y
i,predict
为svr模型的预测值，y
ref
为实际值。
[0099]
如果第i个粒子当前的适应度比历史最优好，则用第i个粒子的当前位置替代个体极值；如果第i个粒子的个体极值比历史全局极值好，则用第i个粒子个体极值替代全局极值，此全局极值包括两个维度的值，一个值为正则化系数c，一个值为带宽调节参数σ。
[0100]
参考图2所示，确定超参数的过程即为确定全局极值的过程。在满足截止条件前，个体极值与全局极值不断更新，相应的超参数不断更新，直到满足截止条件，种群达到最优。其中，截止条件可以为粒子的适应度达到某个设定值，或者迭代步数达到最大迭代步数。
[0101]
另外，在一些实施例中，所述通过粒子群优化算法确定所述支持向量回归模型的超参数还包括：
[0102]
根据确定惯性权重；
[0103]
根据所述惯性权重更新所述粒子的状态。
[0104]
w为所述惯性权重，w
max
、w
min
为惯性权重的最大值与最小值，t
current
为当前迭代步数，t
max
为最大迭代步数。
[0105]
具体而言，根据更新粒子状态；
[0106]
式中，j∈[1,d]，w为惯性权重，c1、c2为学习因子，通常可取c1＝c2＝2，r1、r2为(0,1)范围内的随机数，用以增加搜索的随机性。
[0107]
惯性权重反映了上一代粒子速度对当代粒子速度的影响。当w较大时，会增强pso算法的全局搜索能力；当w较小时，会增强pso算法的局部搜索能力。因此对惯性权重大小的合理调节能够提高pso算法的全局与局部寻优能力。为了提高pso算法的综合寻优能力，本实施例提供了一种线性递减权重策略，根据确定惯性权重，进而根据所确定的惯性权重更新粒子状态。
[0108]
进一步，还可整理与记录寻优问题的可行解、预设条件等，构建先验知识库。一方面可用于启发初始化阶段种群的生成以加快求解速度，另一方面能够为纱厂小样试纺提供指导。
[0109]
s103：通过训练完成的所述支持向量回归模型预测纱线质量。
[0110]
训练完成支持向量回归模型后，通过训练完成的所述支持向量回归模型预测纱线质量。细纱质量性能指标包括纱线强度、韧性、断裂伸长度、条干不均匀率、毛羽、棉杂等。
[0111]
在上述实施例的基础上，在一些实施例中，还可以包括：
[0112]
评估所述支持向量回归模型，并在所述支持向量回归模型不满足预设条件时，重新训练所述支持向量回归模型。
[0113]
具体而言，可以基于数据集中的测试样本对支持向量回归模型进行测试评估，评估指标可以包括：1、预测精度，通过比较实测值与预测值的一致性或近似误差来评估模型的预测精度，常用的统计学指标包括相关系数、决定系数、平均绝对误差、均方误差、均方根误差等。2、泛化能力(稳定性)，利用交叉验证或适当分配数据集方式多次测试以检验模型的泛化能力。3、收敛速度，一般以算法整体响应时间为主。预设条件可以为各评估指标达到对应的阈值，也可以为由各评估指标综合确定的值达到预设的阈值，等。
[0114]
综上所述，本技术所提供的基于小样本学习的纱线质量预测方法，通过灰色关联度分析对原棉纤维的特征参数进行筛选，得到能够较好表征原棉纤维性能的关键特征参数。并且，本技术所提供的纱线质量预测方法，采用粒子群优化算法对支持向量回归模型的超参数进行合理估计，可以有效解决支持向量回归模型的超参数无法直接得到解析解以及传统的经验法、多次试验法等费时且易陷入局部最优，影响模型的质量与泛化能力的问题，进而实现对纱线质量的精确预测，能够有效减少品种翻改时的小样试纺时间以及原料浪费，提高纺纱企业对市场需求的反应速度。
[0115]
本技术还提供了一种基于小样本学习的纱线质量预测装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图3，图3为本技术实施例所提供的一种基于小样本学习的纱线质量预测装置的示意图，结合图3所示，该装置包括：
[0116]
特征参数筛选模块10，用于通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；
[0117]
模型训练模块20，用于通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；
[0118]
纱线质量预测模块30，用于通过训练完成的所述支持向量回归模型预测纱线质量。
[0119]
在上述实施例的基础上，所述特征参数筛选模块10包括：
[0120]
去量纲化处理单元，用于对所述原棉纤维的特征参数的样本序列与对应的参考序列进行去量纲化处理；
[0121]
关联系数计算单元，用于分别计算去量纲化处理后所述样本序列中的各个数据与参考序列中对应的参考数据的关联系数；
[0122]
关联程度计算单元，用于根据各所述关联系数，计算得到所述样本序列与对应的所述参考序列的关联程度；
[0123]
特征参数筛选单元，用于根据所述关联程度，筛选所述特征参数，得到所述关键特征参数。
[0124]
在上述实施例的基础上，作为一种具体的实施方式，所述模型训练模块20包括：
[0125]
适应度计算单元，用于计算粒子的适应度；所述粒子包括所述超参数；
[0126]
个体极值更新单元，用于当所述粒子的适应度大于历史最优值时，以所述粒子当前的位置作为个体极值；
[0127]
全局极值更新单元，用于当所述个体极值大于全局极值时，以所述个体极值作为全局极值，并以所述全局极值作为所述超参数的值。
[0128]
在上述实施例的基础上，作为一种具体的实施方式，所述模型训练模块20还包括：
[0129]
惯性权重计算单元，用于根据确定惯性权重；
[0130]
粒子状态更新单元，用于根据所述惯性权重更新所述粒子的状态。
[0131]
w为所述惯性权重，w
max
、w
min
为惯性权重的最大值与最小值，t
current
为当前迭代步数，t
max
为最大迭代步数。
[0132]
在上述实施例的基础上，作为一种具体的实施方式，所述样本还包括细纱工序的工艺参数。
[0133]
在上述实施例的基础上，作为一种具体的实施方式，还包括：
[0134]
评估所述支持向量回归模型，并在所述支持向量回归模型不满足预设条件时，重新训练所述支持向量回归模型。
[0135]
在上述实施例的基础上，作为一种具体的实施方式，还包括：
[0136]
构建先验知识库，以根据所述先验知识库生成所述粒子。
[0137]
本技术所提供的基于小样本学习的纱线质量预测装置，通过灰色关联度分析对原棉纤维的特征参数进行筛选，得到能够较好表征原棉纤维性能的关键特征参数。并且，本技术所提供的纱线质量预测方法，采用粒子群优化算法对支持向量回归模型的超参数进行合理估计，可以有效解决支持向量回归模型的超参数无法直接得到解析解以及传统的经验
法、多次试验法等费时且易陷入局部最优，影响模型的质量与泛化能力的问题，进而实现对纱线质量的精确预测，能够有效减少品种翻改时的小样试纺时间以及原料浪费，提高纺纱企业对市场需求的反应速度。
[0138]
本技术还提供了一种基于小样本学习的纱线质量预测设备，参考图4所示，该设备包括存储器1和处理器2。
[0139]
存储器1，用于存储计算机程序；
[0140]
处理器2，用于执行计算机程序实现如下的步骤：
[0141]
通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；通过训练完成的所述支持向量回归模型预测纱线质量。
[0142]
对于本技术所提供的设备的介绍请参照上述方法实施例，本技术在此不做赘述。
[0143]
本技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
[0144]
通过灰色关联度分析筛选原棉纤维的特征参数，得到关键特征参数；通过包括所述关键特征参数的样本，训练支持向量回归模型；其中，在训练所述支持向量回归模型的过程中，通过粒子群优化算法确定所述支持向量回归模型的超参数；通过训练完成的所述支持向量回归模型预测纱线质量。
[0145]
该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0146]
对于本技术所提供的计算机可读存储介质的介绍请参照上述方法实施例，本技术在此不做赘述。
[0147]
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0148]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0149]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0150]
以上对本技术所提供的基于小样本学习的纱线质量预测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本技术的原理及实施方式进
行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围。