CN101408538A - 基于神经网络的皮革手感品质的评价方法 - Google Patents
基于神经网络的皮革手感品质的评价方法 Download PDFInfo
- Publication number
- CN101408538A CN101408538A CNA2008102320973A CN200810232097A CN101408538A CN 101408538 A CN101408538 A CN 101408538A CN A2008102320973 A CNA2008102320973 A CN A2008102320973A CN 200810232097 A CN200810232097 A CN 200810232097A CN 101408538 A CN101408538 A CN 101408538A
- Authority
- CN
- China
- Prior art keywords
- leather
- neural network
- hand feeling
- evaluation
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于神经网络的皮革手感品质的评价方法,包括如下四个步骤:1)皮革手感品质指标的确定;2)评价指标与主观评价等级的样本数据提取;3)神经网络训练;4)建立皮革手感品质的评价模型并实现客观评价。这种客观评价方法采用神经网络的模式识别与预测能力来完成,并与主观评价结果具有很好的一致性。本发明可为制革行业提供皮革手感品质的参数化和客观化评价方法,使皮革工业向现代化、科学化及参数控制化方向发展。
Description
技术领域
本发明属于皮革行业中皮革品质参数化控制,具体涉及一种基于神经网络的皮革手感品质的评价方法。
背景技术
皮革工业是一个传统工业,其生产过程中的产品质量控制一直沿袭经验控制的模式,对于成品皮革的重要品质性能,即手感品质的评价一直沿袭观感评价的方法,即手检方法(HEM-Hand Evaluation Method)。这种方法较为直观,但在一定程度上掺杂了检验员的主观感觉成分,比如个人情绪、环境、时间等因素都会影响到检验的结果。这种传统的经验检验制约了皮革工业向现代化、科学化及参数控制化方向发展。对皮革成品的手感品质的评价,需要一种更为科学的、客观的参数化表征及评价方法。
随着计算机技术和人工智能技术的发展,新技术为皮革手感品质的评价提供了新的技术和方法。为建立一套完整的手感品质客观评价体系提供了技术上的支持。
皮革手感品质指标的相关因素很多,其复杂性和非线性是的人们难以建立客观的数学模型,而神经网络在皮革手感品质评价方法研究方面有着独特的优势,主要体现在:
①神经网络具有传统建模方法不具有的很多优点,一般不需要事先知道有关建模对象的结构和动态性能方面的知识,只需要给出对象的输入输出数据,通过网络本身的学习功能就可以达到对象的输入输出映射关系。
②神经网络的学习功能解决了评价指标多而复杂的这一问题。它可以将各类复杂的信息通过自学习而容于网络的权值之中,并通过不断的训练来建立客观之间的关系,避开特征因素与判别目标的复杂关系的表述。网络可以自学习和记忆各输入量和输出量之间的关系。
③预测和识别速度快,训练好的网络对未知样本进行预测和识别时只需少量的加法和乘法,运算速度明显高于其它算法。
因此神经网络模型的特点正好适合于皮革手感品质评价方法的研究。
发明内容
本发明的目的是为了克服皮革手感主观评价的不足,提供了一种基于神经网络的皮革手感品质评价方法。该方法不仅具有很好的数值逼近性和稳定性,而且能科学有效地给出皮革手感品质的评价等级,与目前一直沿用的主观评价方法的评价结果具有很好的一致性。
为达到上述目的,本发明采用的技术方案是:
1)首先,通过压缩性能测定仪和顶伸性能测定仪采集待测皮革的样本数据即:皮革的弯曲常数(Kb)、皮革的压缩指数(Kc)、皮革的顶伸系数(K1)、皮革的弯曲应力衰减常数(αb)和衰减速率常数(K′);
2)其次,将采集到的样本数据作为输入向量,并对输入向量进行归一化处理,即对输入向量的每一维按照所有样本数据中这一维的最小值和最大值线性转换为0~1之间的数据;
3)预测模型的建立,按照HEM检测法检测的结果将皮革分为5类即5个表征参数:优、良、中、差和劣,根据皮革手感品质分类的5个表征参数确定BP神经网络输入层节点数也为5个,其中隐层节点数的选择根据以下公式:
n=(ni+no)1/2+a
其中n为隐节点数,ni为输入节点数,no为输出节点数,a是0~10之间的常数;隐层的神经元节点数按照上述公式取10个,网络的期望输出表示为:
Y1=[1 0 0 0 0]
Y2=[0 1 0 0 0]
Y3=[0 0 1 0 0]
Y4=[0 0 1 0 0]
Y5=[0 0 1 0 0]
其中Y1、Y2、Y3、Y4和Y5分别代表皮革手感品质综合评价结果等级优、良、中、差和劣,用归一化处理后的样本数据训练神经网络,在网络训练过程中,根据训练进程显示网络的训练状态和训练误差值,达到指定的误差精度后即10-4时停止训练,表示评价的预测模型已经建好;
4)神经网络训练完成后,把训练好的神经网络存入系统的神经网络库中,即得到了皮革手感品质客观评价模型,由采集到的待测皮革的五项力学参数作为输入最终得到评价等级结果。
本发明利用神经网络训练获得的样本数据,从而建立主观、客观评价标准之间的联系,最后以训练好的神经网络模型为内核,建立皮革手感品质的评价,不仅具有很好的数值逼近性和稳定性,而且能科学有效地给出皮革手感品质的评价等级,与目前一直沿用的主观评价方法的评价结果具有很好的一致性。
具体实施方式
本实例是以绵羊皮服装革作为皮革手感品质评价对象。确定的评价指标包括皮革的弯曲常数(Kb)、皮革的压缩指数(Kc)、皮革的顶伸系数(K1)、皮革的弯曲应力衰减常数(αb)和衰减速率常数(K′)。
将采集到的样本数据作为输入向量,并对输入向量进行归一化处理,即对输入向量的每一维按照所有样本数据中这一维的最小值和最大值线性转换为0~1之间的数据;
3)预测模型的建立,按照HEM检测法检测的结果将皮革分为5类即5个表征参数:优、良、中、差和劣,根据皮革手感品质分类的5个表征参数确定BP神经网络输入层节点数也为5个,其中隐层节点数的选择根据以下公式:
n=(ni+no)1/2+a
其中n为隐节点数,ni为输入节点数,no为输出节点数,a是0~10之间的常数;隐层的神经元节点数按照上述公式取10个,网络的期望输出表示为:
Y1=[1 0 0 0 0]
Y2=[0 1 0 0 0]
Y3=[0 0 1 0 0]
Y4=[0 0 1 0 0]
Y5=[0 0 1 0 0]
其中Y1、Y2、Y3、Y4和Y5分别代表皮革手感品质综合评价结果等级优、良、中、差和劣,用归一化处理后的样本数据训练神经网络(见表一),在网络训练过程中,根据训练进程显示网络的训练状态和训练误差值,达到指定的误差精度后即10-4时停止训练,表示评价的预测模型已经建好;
表1是皮革手感品质神经网络分类器训练样本。利用这些样本对神经网络模型进行训练。
表1皮革手感品质神经网络分类器训练样本
4)神经网络训练完成后,把训练好的神经网络存入系统的神经网络库中,即得到了皮革手感品质客观评价模型,由采集到的待测皮革的五项力学参数作为输入最终得到评价等级结果。
表2是该实施例的客观评价结果。其中ANN输出与ANN评价结果即分别是神经网络模型的输出及该模型的评价结果。客观评价等级结果与主观评级等级结果一致性好,证明了该方法的先进性和稳定性。
表2 皮革手感品质神经网络评价模型评价结果及测试结果
Claims (1)
1、一种基于神经网络的皮革手感品质的评价方法,其特征在于:
1)首先,通过压缩性能测定仪和顶伸性能测定仪采集待测皮革的样本数据即:皮革的弯曲常数(Kb)、皮革的压缩指数(Kc)、皮革的顶伸系数(K1)、皮革的弯曲应力衰减常数(αb)和衰减速率常数(K′);
2)其次,将采集到的样本数据作为输入向量,并对输入向量进行归一化处理,即对输入向量的每一维按照所有样本数据中这一维的最小值和最大值线性转换为0~1之间的数据;
3)预测模型的建立,按照HEM检测法检测的结果将皮革分为5类即5个表征参数:优、良、中、差和劣,根据皮革手感品质分类的5个表征参数确定BP神经网络输入层节点数也为5个,其中隐层节点数的选择根据以下公式:
n=(ni+no)1/2+a
其中n为隐节点数,ni为输入节点数,no为输出节点数,a是0~10之间的常数;隐层的神经元节点数按照上述公式取10个,网络的期望输出表示为:
Y1=[1 0 0 0 0]
Y2=[0 1 0 0 0]
Y3=[0 0 1 0 0]
Y4=[0 0 1 0 0]
Y5=[0 0 1 0 0]
其中Y1、Y2、Y3、Y4和Y5分别代表皮革手感品质综合评价结果等级优、良、中、差和劣,用归一化处理后的样本数据训练神经网络,在网络训练过程中,根据训练进程显示网络的训练状态和训练误差值,达到指定的误差精度后即10-4时停止训练,表示评价的预测模型已经建好;
4)神经网络训练完成后,把训练好的神经网络存入系统的神经网络库中,即得到了皮革手感品质客观评价模型,由采集到的待测皮革的五项力学参数作为输入最终得到评价等级结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102320973A CN101408538A (zh) | 2008-11-04 | 2008-11-04 | 基于神经网络的皮革手感品质的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102320973A CN101408538A (zh) | 2008-11-04 | 2008-11-04 | 基于神经网络的皮革手感品质的评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101408538A true CN101408538A (zh) | 2009-04-15 |
Family
ID=40571637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008102320973A Pending CN101408538A (zh) | 2008-11-04 | 2008-11-04 | 基于神经网络的皮革手感品质的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101408538A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986792A (zh) * | 2018-09-11 | 2018-12-11 | 苏州思必驰信息科技有限公司 | 用于语音对话平台的语音识别模型的训练调度方法及系统 |
CN113642257A (zh) * | 2021-10-13 | 2021-11-12 | 晶芯成(北京)科技有限公司 | 一种晶圆质量预测方法及系统 |
-
2008
- 2008-11-04 CN CNA2008102320973A patent/CN101408538A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986792A (zh) * | 2018-09-11 | 2018-12-11 | 苏州思必驰信息科技有限公司 | 用于语音对话平台的语音识别模型的训练调度方法及系统 |
CN113642257A (zh) * | 2021-10-13 | 2021-11-12 | 晶芯成(北京)科技有限公司 | 一种晶圆质量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060762B (zh) | 一种基于多因子量表数据的心理发展水平评估方法及系统 | |
Hatefi et al. | A common weight MCDA–DEA approach to construct composite indicators | |
Chen | Reducing China's regional disparities: Is there a growth cost? | |
Zhang et al. | Sound quality prediction of vehicle interior noise and mathematical modeling using a back propagation neural network (BPNN) based on particle swarm optimization (PSO) | |
CN101419207B (zh) | 烤烟烟气主要指标的预测方法 | |
CN102222164A (zh) | 一种食品感官质量评价方法及系统 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN101419209A (zh) | 卷烟感官评吸和烟气指标的免疫神经网络预测方法 | |
CN109657922B (zh) | 海洋生态适宜性评价组件装置 | |
CN104865360A (zh) | 一种浓香型大曲质量评价方法及系统 | |
CN105205251A (zh) | 一种变压器电磁设计方案的评估方法 | |
CN106202377A (zh) | 一种基于随机梯度下降的在线协同排序方法 | |
CN107122616A (zh) | 一种地下水水质的多指标正态云综合评价方法 | |
CN111985751A (zh) | 人机聊天体验评估体系 | |
CN105893748A (zh) | 基于粗糙集理论的幸福指数评价方法及系统 | |
CN109567746B (zh) | 一种基于信号检测论的纹理粗糙度量化评价方法 | |
Lee et al. | Impact of population aging on food security in the context of artificial intelligence: Evidence from China | |
Orehovački | Development of a methodology for evaluating the quality in use of Web 2.0 applications | |
CN101408538A (zh) | 基于神经网络的皮革手感品质的评价方法 | |
Andersson et al. | Contextual effects on educational attainment in individualized neighborhoods: Differences across gender and social class | |
CN105930982B (zh) | 电力景气指数的测算方法和系统 | |
CN108062392A (zh) | 一种基于大数据分类算法的消费维权指数计算方法 | |
CN109493950A (zh) | 综合多属性主客观信息的人体面部皮肤状态区间预测方法 | |
Zhu et al. | Detecting the equality of resource allocation for pre-school education based on Gini coefficients of China’s provinces | |
Qian et al. | Equity Evaluation of Global Countries based on the Expanded Theil index and Factor Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20090415 |