CN109858714A - 基于改进神经网络的烟丝质检指标预测方法、装置及系统 - Google Patents

Abstract

本发明公开一种基于改进神经网络的烟丝质检指标预测方法，包括以下步骤：采集卷烟厂不同批次的制丝原料所对应的相关数据；对采集到的相关数据进行清洗处理，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；基于训练集建立若干个BP‑GA回归模型，将若干个BP‑GA回归模型合成一个集成回归模型；基于训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测分类结果。本发明可以利用制丝工艺过程参数有效预测烟丝质检参数，还可以有效避免预测结果陷入局部最小值。此外，该模型还具有结构稳定，识别效果较为可靠等优点。

Description

基于改进神经网络的烟丝质检指标预测方法、装置及系统

技术领域

本发明涉及人工智能故障诊断技术领域，尤其涉及一种基于改进神经网络的烟丝质检指标预测方法、装置及系统。

背景技术

制丝工艺作为制烟过程中的一个重要的环节，其工序的变化直接影响到烟丝的质量以及烟支的口感，所以卷烟厂会在制丝工艺完成后对烟丝的关键物理指标进行质检。然而，一旦质检时发现烟丝质量不合格后再去解决这一问题时已经为厂家带来了不可避免的损失。所以，卷烟厂会根据制丝过程中的各关键工序参数对烟丝质检参数进行预测从而通过回溯对生产线上各关键参数做到提前调控。但是，由于制丝是一个多相关、非线性、低耦合、高干扰的复杂过程，目前常采用的一种方法是建立简单一维物理模型对烟丝质检参数进行预测，这种方法预测成功率较低、效果较差且很难适用于当前情况；而一般的神经网络虽然能反映出一定的非线性关系，但又容易陷入局部最小值得到错误的预测结果。因此，一般神经网络的稳定性、泛化性又难以达到工程实际要求。

发明内容

本发明针对现有技术中的缺点，提供了一种基于改进神经网络的烟丝质检指标预测方法、装置及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于改进神经网络的烟丝质检指标预测方法，包括以下步骤：

采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；

对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；

基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型，将若干个BP-GA回归模型合成一个集成回归模型；

基于所述填充值形成的训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；

采用测试集分别对集成回归模型和集成分类模型进行测试，若测试结果准确，则集成回归模型和集成分类模型为建立的准确模型；

通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。

作为一种可实施方式，所述基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型具体为：

根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型；

对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练。

作为一种可实施方式，所述根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型具体为：

设置遗传算法初始参数，即将种群规模设置为若干个，取交叉、变异率分布为80％和5％，进化代数取100；

通过预测数据与实际数据的残差绝对值之和建立损失函数，基于损失函数建立适应度函数，所述适应度函数如下：

其中，fit为适应度值，y为实际数据，为预测数据，C为系数；

选择出群体中的每个个体都对应不同的适应度值，将选中的两个个体的遗传编码提取出来，进行交叉操作，交叉操作表示如下：

a₁＝a₁p₁+a₂(1-p₁)

a₂＝a₂p₁+a₁(1-p₁)

其中，a₁代表选择的父代染色体，a₂代表选择的母带染色体，p₁是0-1范围内的随机数，通过交叉操作交换两个染色体之间的遗传编码，生成新的染色体；

针对交叉操作结果采用第m个个体的第n个基因进行变异操作，得到遗传优化算法模型fg，变异操作和所述遗传优化算法模型fg如下：

a_mn＝a_mn+(a_mn-b_min)*fg

a_mn＝a_mn+(b_max-a_mn)*fg

fg＝rand(1-g/G_MAX)²

其中，a_mn表示第m个个体的第n个基因，rand为0-1之间的随机数，g为当前代数，G_MAX为最大进化代数，遗传编码的上下界范围为[-1,1]，在此用b_min与b_max表示，按照一定的概率随机产生新的染色体。

作为一种可实施方式，所述对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练，具体步骤为：

输出隐含层值，公式如下：

其中，i，h，o分别表示输入层、隐含层与输出层神经元的个数，H_h为隐含层的输出值，f_s为传递函数取S型函数，w_uv为输入层到隐含层之间的权值，B_h为隐含层神经元的阈值；

输出输出层的值，公式如下：

其中，Y_o为输出层的输出值，w_vz为隐含层值输出层之间的权值，B_o为输出层神经元的阈值；

对隐含层输出值和输出层值的权值进行更新，更新公式如下：

根据权值的预测值与权值的实际值之间的误差，通过反向传播方式调整神经网络中的权值。

作为一种可实施方式，所述将若干个BP-GA回归模型合成一个集成回归模型具体为：

对所有的训练样本赋予统一权值W＝1/Num，Num为样本个数；

计算某一回归模型在集成回归模型中所占的权重，并更新训练样本权重；某一回归模型在集成回归模型中所占的权重表示为：

更新训练样本权重：

其中，et表示预测数据与实际数据误差大于30％的样本的权重之和，G为归一化因子，y为期望值；

通过更新训练样本后的权重合成的强回归模型，具体为：

其中，S(x)表示强回归模型，a_t表示某一回归模型在集成回归模型中所占的权重，g_t(x)为弱回归模型。

作为一种可实施方式，所述基于所述填充值形成的训练集建立若干个分类模型具体步骤为：

随机确立各种初始化值，将输入层与隐含层的连接权值用W₁表示；隐含层与输出层间的连接权值用W₂表示，隐含层神经元阈值用b表示，训练集输入矩阵为待训练样本用X表示，隐含层激活函数用无限可微的函数f_s表示，则极限学习机的输出表示如下：

T_O＝∑W₂f_s(W₁X+b)；

将极限学习机的输出转换为相应的矩阵，则表示为：

HW₂＝T′

其中，T’为矩阵T_o的转置，H为隐含层输出矩阵；

对相应的矩阵进行权值求解，则权值表示为：

其中，H+为隐含层输出矩阵H的广义逆矩，隐含层与输出层的连接权值通过计算得到。

作为一种可实施方式，所述将若干个分类模型合成一个集成分类模型，是将若干个分类模型通过ADABOOST算法合成一个集成分类模型具体步骤为：

对所有的训练样本赋予统一权值W＝1/Num，Num为样本个数；

计算某一分类模型在集成分类模型中所占的权重并更新训练样本权重；

更新训练样本权重：

其中，

r_t表示预测成功率低于60％的样本的权重之和；

最终集成分类模型为：

S_c(x)表示强分类模型，c_t表示某一分类模型在集成分类模型中所占的权重，l_t(x)表示弱分类器。

一种基于改进神经网络的烟丝质检指标预测装置，包括数据采集模块、数据处理模块、模型建立模块、模型合成模块、测试模块和预测模块；

所述数据采集模块，用于采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；

所述数据处理模块，用于对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；

所述模型建立模块，用于基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型，将若干个BP-GA回归模型合成一个集成回归模型；

所述模型合成模块，用于基于所述填充值形成的训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；

所述测试模块，用于采用测试集分别对集成回归模型和集成分类模型进行测试，若测试结果准确，则集成回归模型和集成分类模型为建立的准确模型；

所述预测模块，用于通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。

一种基于改进神经网络的烟丝质检指标预测系统，包括所述的基于改进神经网络的烟丝质检指标预测装置。

一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现以上所述基于改进神经网络的烟丝质检指标预测方法的步骤。

本发明由于采用了以上技术方案，具有显著的技术效果：

本发明建立了一种由强回归模型BP-GA-ADABOOST与强分类器ELM-ADABOOST组成的集成性神经网络，该集成神经网络可以利用制丝工艺过程参数有效预测烟丝质检参数，还可以有效避免预测结果陷入局部最小值。此外，该模型还具有结构稳定，识别效果较为可靠等优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的整体流程示意图；

图2是本发明的装置结构示意图；

图3为本发明涉及的BP神经网络拓扑结构；

图4为本发明涉及的BP-GA弱回归模型；

图5本发明涉及的极限学习机拓扑结构；

图6和图7为本发明强回归模型预测结果；

图8为本发明强分类模型预测结果。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

一种基于改进神经网络的烟丝质检指标预测方法，如图1所示，包括以下步骤：

S100、采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；

S200、对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；

S300、基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型，将若干个BP-GA回归模型合成一个集成回归模型；

S400、基于所述填充值形成的训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；

S500、采用测试集分别对集成回归模型和集成分类模型进行测试，若测试结果准确，则集成回归模型和集成分类模型为建立的准确模型；

S600、通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。

在现有技术中，制丝是一个多相关、非线性、低耦合、高干扰的复杂过程，目前常采用的一种方法是建立简单一维物理模型对烟丝质检参数进行预测，这种方法预测成功率较低、效果较差且很难适用于当前情况；而一般的神经网络虽然能反映出一定的非线性关系，但又容易陷入局部最小值得到错误的预测结果。因此，一般神经网络的稳定性、泛化性又难以达到工程实际要求，所以在本发明中，通过由强回归模型BP-GA-ADABOOST与强分类器ELM-ADABOOST组成的集成性神经网络，集成神经网络可以利用制丝工艺过程参数有效预测烟丝质检参数，还可以有效避免预测结果陷入局部最小值。此外，该模型还具有结构稳定，识别效果较为可靠等优点。

在处理后的数据中大致上包括了各种丝率和填充值，通过各种丝率和填充值的情况就能知道制丝工艺是否出现问题，因此，可以分别对各种丝率和填充值进行单独的预测，在步骤S300中，所述基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型具体为：

根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型；

对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练。涉及到的BP神经网络拓扑结构可参见图3所示。

更进步一地，所述根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型具体为：

设置遗传算法初始参数，即将种群规模设置为若干个，取交叉、变异率分布为80％和5％，进化代数取100；

通过预测数据与实际数据的残差绝对值之和建立损失函数，基于损失函数建立适应度函数，所述适应度函数如下：

其中，fit为适应度值，y为实际数据，为预测数据，C为系数；

选择出群体中的每个个体都对应不同的适应度值，将选中的两个个体的遗传编码提取出来，进行交叉操作，交叉操作表示如下：

a₁＝a₁p₁+a₂(1-p₁)

a₂＝a₂p₁+a₁(1-p₁)

其中，a₁代表选择的父代染色体，a₂代表选择的母带染色体，p₁是0-1范围内的随机数，通过交叉操作交换两个染色体之间的遗传编码，生成新的染色体；

针对交叉操作结果采用第m个个体的第n个基因进行变异操作，得到遗传优化算法模型fg，变异操作和所述遗传优化算法模型fg如下：

a_mn＝a_mn+(a_mn-b_min)*fg

a_mn＝a_mn+(b_max-a_mn)*fg

fg＝rand(1-g/G_MAX)²

其中，a_mn表示第m个个体的第n个基因，rand为0-1之间的随机数，g为当前代数，G_MAX为最大进化代数，遗传编码的上下界范围为[-1,1]，在此用b_min与b_max表示，按照一定的概率随机产生新的染色体。

更进一步地，所述对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练，具体步骤为：

输出隐含层值，公式如下：

其中，i，h，o分别表示输入层、隐含层与输出层神经元的个数，H_h为隐含层的输出值，f_s为传递函数取S型函数，w_uv为输入层到隐含层之间的权值，B_h为隐含层神经元的阈值；

输出输出层的值，公式如下：

其中，Y_o为输出层的输出值，w_vz为隐含层值输出层之间的权值，B_o为输出层神经元的阈值；

对隐含层输出值和输出层值的权值进行更新，更新公式如下：

根据权值的预测值与权值的实际值之间的误差，通过反向传播方式调整神经网络中的权值，具体可参见附图4，附图4中给出了基于遗传算法建立BP-GA弱回归模型的过程。

由于若干个BP-GA回归模型预测值不够精确，利用相关算法，可以将若干个BP-GA回归模型合成一个集成回归模型具体为：

对所有的训练样本赋予统一权值W＝1/Num，Num为样本个数；

计算某一回归模型在集成回归模型中所占的权重，并更新训练样本权重；某一回归模型在集成回归模型中所占的权重表示为：

更新训练样本权重：

其中，et表示预测数据与实际数据误差大于30％的样本的权重之和，G为归一化因子，y为期望值；

通过更新训练样本后的权重合成的强回归模型，具体为：

其中，S(x)表示强回归模型，a_t表示某一回归模型在集成回归模型中所占的权重，g_t(x)为弱回归模型。

在步骤S400中，所述基于所述填充值形成的训练集建立若干个分类模型具体步骤为：

随机确立各种初始化值，将输入层与隐含层的连接权值用W₁表示；隐含层与输出层间的连接权值用W₂表示，隐含层神经元阈值用b表示，训练集输入矩阵为待训练样本用X表示，隐含层激活函数用无限可微的函数f_s表示，则极限学习机的输出表示如下：

T_O＝∑W₂f_s(W₁X+b)；

将极限学习机的输出转换为相应的矩阵，则表示为：

HW₂＝T′

其中，T’为矩阵T_o的转置，H为隐含层输出矩阵；

对相应的矩阵进行权值求解，则权值表示为：

其中，H+为隐含层输出矩阵H的广义逆矩，隐含层与输出层的连接权值通过计算得到。

此步骤的目的和合成集成回归模型的目的相同，都是为了提高预测结果，所述将若干个分类模型合成一个集成分类模型，是将若干个分类模型通过ADABOOST算法合成一个集成分类模型具体步骤为：

对所有的训练样本赋予统一权值W＝1/Num，Num为样本个数；

计算某一分类模型在集成分类模型中所占的权重并更新训练样本权重；

更新训练样本权重：

其中，

r_t表示预测成功率低于60％的样本的权重之和；

最终集成分类模型为：

S_c(x)表示强回归模型，也就是此处的集成分类模型，即就是强分类模型，c_t表示某一分类模型在集成分类模型中所占的权重，l_t(x)表示弱分类器，也就是表示此处的分类模型，即就是弱分类模型。

通过集成回归模型和集成分类模型，对碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值进行预测，输出预测结果，并对输出的结果进行反归一化处理，最终得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。具体可参见附图5所示，附图5给出了极限学习机拓扑结构的示意图。

为了更加清楚的说明本发明的应用场景与技术方案，现将本发明提出的烟丝质检指标预测模型用于国内某卷烟厂的生产线上。

基于本发明的方法实现的具体实施例如下：

过程工艺参数的采集与预处理：

对一段时间内该生产线上的过程工艺参数进行采集，并对现在所采集数据中的缺失值、离散值、单一值对应的过程参数进行清洗，对高共线的过程参数剔除多余的过程参数且仅保留其中一个，得到42个过程参数与目标参数进行归一化。此外，选取约15％的数据作为测试集，剩下的85％的数据作为训练集以用于预测模型的建模。

目标参数的分析处理：

现对目标变量进行分析，本发明所需要预测的目标参数共有碎丝率、短丝率、中丝率、长丝率、整丝率以及填充值六种。其中前五种目标参数由于数据丰富度高且分布合理，因此建立回归模型对其进行回归分析预测。填充值则由于数据丰富度低且数据分布范围不平衡，所以建立分类器对其进行分类处理。

预测模型的建立：

由步骤二所述，现分别建立回归预测模型与分类器对六个目标变量进行预测分析，需要强调的是本模型的建立都是在训练集的基础上完成的。在本案例中，模型的建立方法如下：

根据待处理数据的特征，建立42×9×5的BP神经网络；更进一步，在BP神经网络的基础上采取GA遗传算法，其初始化参数设置种群规模取10，交叉、变异率分别取80％和5％，进化代数取100；以BP神经网络的权值阈值作为遗传编码，并根据预测的残差绝对值之和建立适应度函数作为遗传算法的评价准则，选取最好的编码个体为权值阈值建立BP-GA神经网络，作为弱预测模型。根据待处理数据的特征，建立42×2088×1的ELM极限学习机作为弱分类模型。

建立十个弱预测模型与十个弱分类模型，并采用ADABOOST算法集成强预测模型与强分类器。

模型的测试：

现以中丝率和填充值为目标变量，以剩下的约15％样本共20组参数作为测试样本，对本发明的效果进行验证。

效果参见附图6-7所示，根据本发明所述建立的强回归模型对中丝率的预测平均误差约为2.97％，且90％的中丝率预测误差都能维持在4.6％以下。

还参见附图8所示，根据本发明所述建立的强分类模型对填充度类型的预测成功率为70％。

实施例2：

一种基于改进神经网络的烟丝质检指标预测装置，如图2所示，包括数据采集模块100、数据处理模块200、模型建立模块300、模型合成模块400、测试模块500和预测模块600；

所述数据采集模块100，用于采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；

所述数据处理模块200，用于对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；

所述模型建立模块300，用于基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型，将若干个BP-GA回归模型合成一个集成回归模型；

所述模型合成模块400，用于基于所述填充值形成的训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；

所述测试模块500，用于采用测试集分别对集成回归模型和集成分类模型进行测试，若测试结果准确，则集成回归模型和集成分类模型为建立的准确模型；

所述预测模块600，用于通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。

本发明建立了一种由强回归模型BP-GA-ADABOOST与强分类器ELM-ADABOOST组成的集成性神经网络系统，该集成神经网络可以利用制丝工艺过程参数有效预测烟丝质检参数，还可以有效避免预测结果陷入局部最小值。此外，该模型还具有结构稳定，识别效果较为可靠等优点。

实施例3：

一种基于改进神经网络的烟丝质检指标预测系统，包括所述的基于改进神经网络的烟丝质检指标预测装置。

实施例4：

一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现以上所述基于改进神经网络的烟丝质检指标预测方法的步骤。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均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的部分互相参见即可。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是：

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于改进神经网络的烟丝质检指标预测方法，其特征在于包括以下步骤：

采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；

对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；

基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型，将若干个BP-GA回归模型合成一个集成回归模型；

基于所述填充值形成的训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；

采用测试集分别对集成回归模型和集成分类模型进行测试，若测试结果准确，则集成回归模型和集成分类模型为建立的准确模型；

通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。

2.根据权利要求1所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型具体为：

根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型；

对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练。

3.根据权利要求2所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述根据所述碎丝率、短丝率、中丝率、长丝率和整丝率建立遗传优化算法模型具体为：

设置遗传算法初始参数，即将种群规模设置为若干个，取交叉、变异率分布为80％和5％，进化代数取100；

通过预测数据与实际数据的残差绝对值之和建立损失函数，基于损失函数建立适应度函数，所述适应度函数如下：

其中，fit为适应度值，y为实际数据，为预测数据，C为系数；

选择出群体中的每个个体都对应不同的适应度值，将选中的两个个体的遗传编码提取出来，进行交叉操作，交叉操作表示如下：

a₁＝a₁p₁+a₂(1-p₁)

a₂＝a₂p₁+a₁(1-p₁)

其中，a₁代表选择的父代染色体，a₂代表选择的母带染色体，p₁是0-1范围内的随机数，通过交叉操作交换两个染色体之间的遗传编码，生成新的染色体；

针对交叉操作结果采用第m个个体的第n个基因进行变异操作，得到遗传优化算法模型fg，变异操作和所述遗传优化算法模型fg如下：

a_mn＝a_mn+(a_mn-b_min)*fg

a_mn＝a_mn+(b_max-a_mn)*fg

fg＝rand(1-g/G_MAX)²

其中，a_mn表示第m个个体的第n个基因，rand为0-1之间的随机数，g为当前代数，G_MAX为最大进化代数，遗传编码的上下界范围为[-1,1]，在此用b_min与b_max表示，按照一定的概率随机产生新的染色体。

4.根据权利要求1所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述对通过遗传优化算法模型得到的优秀基因进行解码，解码之后选择最优个体建立BP-GA回归模型，并对建立好的BP-GA回归模型进行训练，具体步骤为：

输出隐含层值，公式如下：

其中，i，h，o分别表示输入层、隐含层与输出层神经元的个数，H_h为隐含层的输出值，f_s为传递函数取S型函数，w_uv为输入层到隐含层之间的权值，B_h为隐含层神经元的阈值；

输出输出层的值，公式如下：

其中，Y_o为输出层的输出值，w_vz为隐含层值输出层之间的权值，B_o为输出层神经元的阈值；

对隐含层输出值和输出层值的权值进行更新，更新公式如下：

根据权值的预测值与权值的实际值之间的误差，通过反向传播方式调整神经网络中的权值。

5.根据权利要求1所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述将若干个BP-GA回归模型合成一个集成回归模型具体为：

对所有的训练样本赋予统一权值W＝1/Num，Num为样本个数；

计算某一回归模型在集成回归模型中所占的权重，并更新训练样本权重；某一回归模型在集成回归模型中所占的权重表示为：

更新训练样本权重：

其中，et表示预测数据与实际数据误差大于30％的样本的权重之和，G为归一化因子，y为期望值；

通过更新训练样本后的权重合成的强回归模型，具体为：

其中，S(x)表示强回归模型，a_t表示某一回归模型在集成回归模型中所占的权重，g_t(x)为弱回归模型。

6.根据权利要求1所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述基于所述填充值形成的训练集建立若干个分类模型具体步骤为：

随机确立各种初始化值，将输入层与隐含层的连接权值用W₁表示；隐含层与输出层间的连接权值用W₂表示，隐含层神经元阈值用b表示，训练集输入矩阵为待训练样本用X表示，隐含层激活函数用无限可微的函数f_s表示，则极限学习机的输出表示如下：

T_O＝∑W₂f_s(W₁X+b)；

将极限学习机的输出转换为相应的矩阵，则表示为：

HW₂＝T′

其中，T’为矩阵T_o的转置，H为隐含层输出矩阵；

对相应的矩阵进行权值求解，则权值表示为：

其中，H⁺为隐含层输出矩阵H的广义逆矩，隐含层与输出层的连接权值通过计算得到。

7.根据权利要求6所述的基于改进神经网络的烟丝质检指标预测方法，其特征在于，所述将若干个分类模型合成一个集成分类模型，是将若干个分类模型通过ADABOOST算法合成一个集成分类模型具体步骤为：

对所有的训练样本赋予统一权值W＝1/Num，Num为样本个数；

计算某一分类模型在集成分类模型中所占的权重并更新训练样本权重；

更新训练样本权重：

其中，

r_t表示预测成功率低于60％的样本的权重之和；

最终集成分类模型为：

S_c(x)表示强回归模型，c_t表示某一分类模型在集成分类模型中所占的权重，l_t(x)表示弱分类器。

8.一种基于改进神经网络的烟丝质检指标预测装置，其特征在于，包括数据采集模块、数据处理模块、模型建立模块、模型合成模块、测试模块和预测模块；

所述数据采集模块，用于采集卷烟厂不同批次的制丝原料所对应的相关数据，所述相关数据包括相关工序参数和相关质检参数，所述相关工序参数和相关质检参数形成相应的参数组，所述参数组内包括碎丝率、短丝率、中丝率、长丝率、整丝率及填充值；

所述数据处理模块，用于对采集到的相关数据进行清洗处理，获取贡献度最高的参数组并保留一个，将进行清洗处理后的相关数据进行归一化处理得到归一化处理的结果，将结果作为测试集和训练集；

所述模型建立模块，用于基于所述碎丝率、短丝率、中丝率、长丝率和整丝率形成的训练集建立若干个BP-GA回归模型，将若干个BP-GA回归模型合成一个集成回归模型；

所述模型合成模块，用于基于所述填充值形成的训练集建立若干个分类模型，将若干个分类模型合成一个集成分类模型；

所述测试模块，用于采用测试集分别对集成回归模型和集成分类模型进行测试，若测试结果准确，则集成回归模型和集成分类模型为建立的准确模型；

所述预测模块，用于通过建立的准确模型输出结果，并对输出的结果进行反归一化处理，得到预测的碎丝率、短丝率、中丝率、长丝率、整丝率的值及填充值的分类结果。

9.一种基于改进神经网络的烟丝质检指标预测系统，其特征在于，包括权利要求8所述的基于改进神经网络的烟丝质检指标预测装置。

10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。