資源描述：
《紡織學(xué)報(bào)論文模板》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、毛精紡前紡工藝參數(shù)重要性的BP網(wǎng)絡(luò)定量評(píng)價(jià)法小二黑體，居中，3倍行距劉貴收稿日期（黑體小五）：2007-03-10修回日期：2007-05-16（由編輯部填寫(xiě)）基金項(xiàng)目（黑體小五）：國(guó)家經(jīng)貿(mào)委創(chuàng)新項(xiàng)目（02CJ-14-05-01）基金名稱(chēng)（基金編號(hào)）(楷體小五)作者簡(jiǎn)介（黑體小五）：劉貴（1983—），男，博士生。主要研究方向?yàn)槊徏庸み^(guò)程建模及其職能決策預(yù)報(bào)與控制。于偉東，通訊作者，E-mail:wdyu@dhu.edu.cn。第一作者姓名（出生年—），性別，職稱(chēng)，學(xué)歷。主要研究方向。通訊作者姓名，E-mail。，于偉東1,2四號(hào)楷體，居中
2、，單倍行距(1.東華大學(xué)紡織材料與技術(shù)實(shí)驗(yàn)室,上?！?01620;武漢科技學(xué)院紡織與材料學(xué)院,湖北武漢 430073)小五號(hào)宋體，居中，單倍行距摘要摘要寫(xiě)作方法：請(qǐng)用第三人稱(chēng)的語(yǔ)氣陳述該文研究目的（即為了……，或者針對(duì)……問(wèn)題，）、過(guò)程、方法（即采用的手段和方法）、結(jié)果和結(jié)論（即研究得出的結(jié)論），重點(diǎn)是結(jié)果和結(jié)論，背景信息、基本概念及對(duì)文章的自我評(píng)價(jià)不應(yīng)出現(xiàn)在摘要中，要達(dá)到只看摘要而不必看文章就可理解全文主要內(nèi)容的程度；摘要字?jǐn)?shù)應(yīng)控制在200～300字，英文要與中文相對(duì)應(yīng)。（小五黑體）在BP神經(jīng)網(wǎng)絡(luò)建模技術(shù)的基礎(chǔ)上,提出利用神經(jīng)網(wǎng)絡(luò)輸入層與輸出
3、層之間的網(wǎng)絡(luò)權(quán)值及其分布來(lái)求各輸入?yún)?shù)重要程度的方法。將采集到的毛精紡企業(yè)前紡工藝參數(shù)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分別建立了粗紗CV值和粗紗單重的預(yù)測(cè)模型。結(jié)果表明：所建模型的平均相對(duì)誤差都低于3%；采用樣本數(shù)據(jù)驗(yàn)證,其預(yù)報(bào)值與實(shí)測(cè)值間的相關(guān)系數(shù)都高于0.95。對(duì)所建模型的網(wǎng)絡(luò)權(quán)重進(jìn)行提取,分別計(jì)算出13個(gè)輸入?yún)?shù)對(duì)粗紗CV值和粗紗單重的重要性,挖掘出顯著而有效的參數(shù)。經(jīng)對(duì)比認(rèn)為，BP網(wǎng)絡(luò)法比多元回歸顯著性分析(MRSA)更為精準(zhǔn)，可用于對(duì)實(shí)際生產(chǎn)加工的預(yù)報(bào)和控制。（小五宋體）關(guān)鍵詞（小五黑體）毛精紡；前紡工藝參數(shù)；模型；BP神經(jīng)網(wǎng)絡(luò)；定量評(píng)價(jià)法（小五宋體
4、）中圖分類(lèi)號(hào)（小五黑體）：TS131.9（小五宋體）文獻(xiàn)標(biāo)志碼（小五黑體）：Quantitativeevaluationmethodforthesignificanceofworstedfore-spinningparametersbasedonBPneuralnetwork小四TimesNewRome,3倍行距LIUGui1，YUWeidong1,2（五號(hào)）(1.TextileMaterialsandTechnologyLaboratoryDonghuaUniversity,Shanghai 201620,China;2.Department
5、ofTextilesandMaterials,WuhanUniversityofScienceandEngineering,Wuhan,Hubei 430073,China）小五，居中AbstractBasedonBPneuralnetworkmodeltechnology,anewapproachwasdevelopedandappliedtoappraisetheinputparameters′significantdegreethroughtheweightinessanditsdistributionbetweentheinputand
6、outputlayer.Usingthefore-spinningworkingproceduredatagatheredfromtheworstedtextilesenterprise,therovingunevennessandweightpredictionmodelswereestablishedrespectively.Theresultsindicatedthatthemodels′meanrelativeerrorsarealllessthan3%;thecorrelationcoefficientR2betweenthepred
7、ictionvalueandtheactualareallmorethan0·95.Usingtheweightinessextractedfromtheestablishedmodels,the13inputparameters′significancetotherovingunevennessandweightwerecalculatedrespectively,andtheremarkableandeffectiveparametersareexcavatedout.Meanwhilecontrastingtothemultivariat
8、eregressionsignificanceanalysis(MRSA),theBPneuralnetworkmethodismoreexactth
