基于支持向量机的织物悬垂性能评估分析.pdf

《基于支持向量机的织物悬垂性能评估分析.pdf》由会员分享，可在线阅读，更多相关《基于支持向量机的织物悬垂性能评估分析.pdf（4页珍藏版）》请在三一文库上搜索。

1、第3 0 卷 第1 期 2 0 0 9 年1 月 纺织学报 j o u m a lo f 。r e x t i l eR e s e a r c h V 0 1 3 0N o 1 J a n 2 0 0 9 文章编号：0 2 5 3 9 7 2 1 ( 2 0 0 9 ) 0 1 一0 0 5 1 0 4 基于支持向量机的织物悬垂性能评估分析 林志贵，房伟，黄伟志 ( 天津工业大学信息与通信工程学院，天津3 0 0 1 6 0 ) 摘要针对织物悬垂性评估中存在非线性建模困难及评估精度不高等问题，结合织物悬垂性参数数据的特点， 基于M e r c e r 核函数的性质，构建M e r c e r

2、 核函数的织物悬垂性评估模型。通过实验，认为其评估精度有了相应的提 高，说明基于M e r c e r 核函数的织物悬垂性评估模型是可行的。同时，通过改变参数值进行实验，结果表明这些参数 的取值不同对评估结果有影响，且不同参数对评估结果影响的程度也不同，这对基于支持向量机的织物悬垂性评 估过程有重要的指导作用。 关键词 支持向量机；M e r c e r 核；织物悬垂性；评估 中图分类号：佟1 0 1 ；T P1 8文献标志码：A A n a l y s i so ff a b r i cd r a p ee V a l u a t i o nb a s e do ns u p p O r t

3、V e c t o rm a c h i n e L I NZ h i g u i ，F A N GW e i ，H U A N GW e i z h i ( s c o o fQ 厂，扣唧o f i o 尼& c o m m “n 如口渤nE n n e e n g ，死口彬凡P o 咖e c n i c 沁m 毋，死a 彬凡 3 0 0 1 6 0 ，吼i M ) A b s t r a c t量b rr e a s o n st h a ti ti sd i I i c u l tt od e V e l o pan o n l i n e a rm o d e l o rt h ee

4、V a l u a t i o no ft h e a b r i cd r a pa n d t h ec o n V e n t i o n a le V a l u a t i o nm e t h o dcann o ta c h i e v et h ed e s i r e da c c u m c yo fi t T h e p a p e r ， i nl i g h to f t h e f e a t u r e so ff a b r i cd m p ed a t a ，h a sp r o p o s e daM e r c e rk e m e lm o d e l

5、f o rf a b r i cd r a p ea s s e s s m e n t I th a sp m v e nb y e x p e r i m e n ta n dc o m p a r i s o nt h a tt h ep r e c i s i o no ft h ef a b r i cd m p eh a si n c r e a s e db yt h en e wm e t h o da n dt h e a s s e s s m e n tm o d e lb a s e do nM e r c e rk e m e lm o d e li sf e a s

6、 i b l e I ta l s os h o w st h a td i f f e r e n tp a r a m e t e rv a l u e s s e l e c t e da f f e c tt h ea s s e s s m e n tr e s u l t s K e yw o r d ss u p p o r tV e c t o rm a c h i n e ； M e r c e rk e m e l ；f a b r i cd m p e ；e v a l u a t i o n 织物悬垂性是检验纺织品质量的重要指标，在 评价织物的手感风格上其重要性尤为突出

7、。2 。近 年来，众多学者对如何有效评估织物悬垂性进行了 相关的研究，如采用B P 神经网络的方法进行预 测。3 1 ，采用支持向量机对织物的性能进行评估H - ，还 有应用支持向量机在一s v M 的基础上对织物的性 能进行评估1 。采用B P 神经网络是基于梯度下降 的方法，很容易陷入局部极小，相对误差仅能限制在 5 以内，很难达到满意的结果。采用s M 0 ( s e q u e n t i a lm i n i 眦l 叩t i m i z a t i o n ) 算法尽管在评估精度 上比采用B P 神经网络的方法有了一定程度的提 高，但是由于没有引入回归精度( e ) ，故评估精度仍

8、不甚理想。传统的e s v M 算法由于应用的核函数 相对单一，算法的收敛速度有时不能令人满意，故其 训练与预测精度仍有提高的空间。 本文在分析支持向量机功能及特点的基础上， 结合织物悬垂性参数数据的特点，采用M e r c e r 作为 核函数，建立相应的织物悬垂性性能评估模型。通 过与e s v M 模型进行比较，说明该模型的特点，并 详细分析模型参数的改变对评估结果的影响。 1 核函数的特点 支持向量机针对有限样本建立了一套新的理 论体系，该体系下的统计推理规则不仅考虑了对渐 进性能的要求，而且追求在有限信息的条件下得到 收稿日期：2 0 0 8 0 2 2 3修回日期：2 0 0 8

9、0 6 3 0 基金项目：国家自然科学基金资助项目( 6 0 6 0 2 0 3 6 ) ；天津市高等学校科技发展基金资助项目( 2 0 0 5 1 2 1 0 ) 作者简介：林志贵( 1 9 7 4 一) ，男，副教授，博士。主要研究领域为纺织信息化及在线检测。E m a i l ：l i n z h i g u i t j p u e d u c n 。 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark 5 2 纺织学报第3 0 卷 最优的结果，为解决有限样本学

10、习问题提供了一个 统一的框架，它将很多现有方法纳入其中，能解决神 经网络方法难以解决的问题，如网络结构选择问题、 局部极小点问题等。因此，支持向量机正在成为继 神经网络之后新的研究热点，受到广泛关注o7 9 | 。 支持向量机算法刚中，无论是寻优目标函数式 还是最优的超平面式，只涉及训练样本之间的内积 运算。通过选择恰当的核函数来代替内积，可以隐 式地将训练数据非线性映射到高维特征空间，以增 强线性分类器的计算能力。 传统核函数是作为一种非线性映射的隐式表达 方法而提出，这种隐式表达给分析映射的性质带来 了不少的困难。核函数选择的恰当与否，直接决定 了特征变换的好坏。利用M e r c e r

11、 核函数、8o 的性质构 造核函数，即利用核函数集合在某些运算下封闭的 性质，组合现有的一些核函数而构造出新的核函数。 应用M e r c e r 核函数可以将经典线性算法推广到非 线性模式，使欲求解问题的规模仅与样本数目有关， 而与样本维数无关，提高数值计算的稳定性和改善 迭代过程的收敛性，增强了算法的处理能力。 果将每个参数看作为一维，随着评估参数的增加，样 本维数随之增加，这可能带来“维数灾难”问题。然 而，采用M e r c e r 核函数构造织物悬垂性评估模型， 能有效地解决这类问题。基于M e r c e r 核函数的织 物悬垂性能评估模型具体构造方法如下。 首先，选取传统的核函数

12、，选取径向基核函数 m 以) ：e x p f - 粤止 ( 江1 ，2 ，) ( 1 ) 式中：i 为样本数；口为样本方差。 其次，在径向基核函数的基础上，采用M e r c e r 核函数，建立基于M e r c e r 的织物悬垂性评估模型 K i ( z ，戈。) = 七。( 石，茹：) J j ，( 菇，z i )( i ，歹= 1 ，2 ，) ( 2 ) 式中i 、，为样本数，壳。( z ，戈。) 、五，( z ，戈。) 可由式( 1 ) 求得。 最后，在M a t L a b 中采用优化工具箱中的 q u a d p r o g 函数进行评估、分析。q u a d p m g 函

13、数中的参 数由式( 2 ) 获得。 3 织物悬垂性能评估方法分析 2 基于M e r c e r 核函数的评估模型 3 1 织物悬垂- 眭能评估实验 反映织物悬垂性的参数有纬纱线密度、经纬纱 为便于比较基于M e r c e 。核函数与基于径向基 密度、经纬向紧度比、总紧度、织物厚度等，与织物悬 核函数这2 种评估方法，采用表1 数据作为实验的 垂性之间是非线性关系。在织物悬垂性评估中，如 训练样本和评估样本阻s | 。 表1 棉织物实验值 T a b 1 E x p e r i m e n t a Id a t ao fc o t t o nf a b r i c 表1 中的1 1 0 组数

14、据为训练数据，1 l 1 2 组 为评估验证数据。由于参数单位的不同，所以在实 验前必须对数据进行归一化处理，使每组数据压缩 到 一1 ，1 的范围内。选取惩罚系数c = 18 0 0 ，方 差仃2 = 1 6 ，回归精度= O 0 0 2 ，6 = 1 5 ，进行实验， 其实验值及评估值见表2 。从表2 的训练结果可以 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark 第l 期林志贵等：基于支持向量机的织物悬垂性能评估分析 。5 3 看出，试样1 、5 、6 、8

15、 、1 0 采用e s v M 模型进行训练产一s V M 的训练误差为0 5 3 。训练样本4 、9 使用 生的误差并不是很大，训练的效果比较理想。基于一S V M 核函数方法所产生的训练结果由原来的 M e r c e r 核函数方法后，所产生的相对误差在原有误 1 8 3 、4 3 1 分别下降到1 1 2 和1 9 6 。只有 差的基础上得到了进一步修正。如训练样本5 中应训练样本2 、3 在应用M e r c e r 核函数方法后，与应用 用M e r c e r 核方法产生的相对误差为0 4 1 ，应用 e 。s V M 核函数方法没有显著的变化。 表2 基于不同方法的训练结果与相

16、对误差的比较 T a b 2 T r a i n i l l gr e s I l l t sa n dr e l a t i v ee r r o ro nd 砌e r e n tm e t h o d s 试样编号试样实际值 训练结果 相对误差 M e r c e r一S V MM e r c e re S V M 注：带* 为评估样本 从评估样本的相对误差看，1 l 、1 2 样本的精度 有了显著的提高，分别由一4 5 l 、一0 4 8 下降为 一2 2 4 和一0 1 5 ，得到比较满意的评估结果。 总之，基于M e r c e r 核方法提高了拟合程度，因 而基于M e r c e

17、 r 核构建基于支持向量机的织物评估 模型是可行的。 3 2 模型参数对评估结果的影响分析 为了便于讨论不同参数对训练结果的影响，选 取表2 中实际训练结果最好的数据样本7 作为相应 的实验对象，在相应参数不变的情况下分别讨论惩 罚系数c 、方差d 2 和回归精度e 变化的情况下对样 本7 的训练结果所产生的影响。其实验结果分别见 表3 5 。从表3 的第2 组数据可以看出，当试样值 为6 7 且c = 20 0 0 时，在其他参数不变的情况下，所 得到的训练结果为6 6 4 9 42 ，对比表2 ( c = 18 0 0 ) 的 训练结果( 6 6 1 1 62 ) ，其相对误差分别为一0

18、7 5 和 一1 5 。因此，在C = 20 0 0 的情况下所得到的训 练精度比c = 18 0 0 时还要高。然而，通过表3 与表 2 中的另外几组数据的对比( 如试样值为8 6 ，c = 20 0 0 ，所得训练结果为8 5 8 7 56 与表2 中的结果 8 6 0 7 68 相比，c = 20 0 0 要比C = 18 0 0 时的训练效 果好) ，可以看出单一样本的训练往往与多样本训练 不同，因此，在进行多样本训练时，不能仅仅从一个 样本的训练结果来判断所选参数的优劣，应从整体 来看待不同参数值对多样本训练精度的影响。 表3 在盯2 和不变时改变c 的评估结果 T a b 3A s

19、 s e s s m e n tr e s I l l t sw h e nCc h a n g e d ， 仃2a n dsu n c h a n g e d 从表3 还可以看出，当试样值取5 9 ，c ，、c ：、c ， 值分别取15 0 0 、20 0 0 、30 0 0 ，其训练结果分别为 6 1 0 7 53 、6 0 3 2 29 、5 8 6 5 30 。c ：与c ，的变化程度 为3 3 3 ，C ，与c ，的变化程度为5 0 ，对应其结 果的变化为1 2 8 和2 8 3 。这说明当惩罚系数 c 在较小范围内变化时，评估结果的变化不大，也就 是说，c 的变化对评估结果的影响并

20、不十分明显。 从表4 、5 可以看出，盯2 、对训练和预测结果的 影响相比较c 更加明显。当试样值为6 7 时，表2 所 得的训练结果为6 6 1 1 62 ，其相对误差为一1 5 。 对比表4 中的方差盯2 分别取1 2 、1 8 和2 8 其结果 分别为6 8 7 5 22 、6 5 3 5 44 和6 2 5 7 21 ，其相对误差分 别为2 6 2 、一2 4 6 和一6 6 1 。从表5 中，当回 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark 5 4

21、纺织学报 第3 0 卷 归精度分别取0 0 0 15 、0 0 0 18 、0 0 0 25 时，其对应 的实验结果分别为6 1 3 8 56 、6 5 6 3 93 、6 8 4 6 54 ，其 相对误差分别为一8 3 8 、一2 0 3 和2 1 9 。从 以上的数据可以看出方差盯2 和对训练结果的准 确性有着重要的影响，因此在训练过程中建议首先 确定d 2 和e 。 要的指导意义。 参考文献： 1 表4 在c 和不变时改变盯2 的评估结果 2 T a b 4A 鹃e s s m e n tr e s I l l t sw h e n c h a n g e d ， Ca n d8u n

22、c h a n g e d 表5 在c 和仃2 不变时改变的评估结果 T a b 5A s 辩s s m e n tr e s l l l t sw h e nsc h a n g e d Ca n d 仃2u n c l l a 哩e d 4结论 在径向基核函数基础上，基于M e r c e r 核函数的 性质构造新的核函数，构建相应的织物悬垂性评估 模型，通过实验分析比较得出其评估精度都有了相 应的提高，说明基于M e r c e r 核函数的织物悬垂性评 估模型是可行的。 对基于M e r c e r 核函数的织物悬垂性评估模型， 改变参数值，其实验结果表明这些参数对评估结果 都有影响，

23、其盯2 ，e 对训练和预测结果的影响相比较 惩罚系数c 更加明显。现有的支持向量机还没有 一套完善的理论确定相关的参数，因此本文所得的 结论对基于支持向量机的织物悬垂性评估过程有重 3 4 5 6 7 8 9 1 0 蛹 Z A U U A L I ，RM S A H L IS ，E lA b e dB ，a 1 O b j e cc i V e e V a l u a t i o no fm u l t i d i r e c t i o n a lf a b r i c w r i n k l i n gu s i “gi m a g e a n a 】y s i s J J o u m

24、a lo f t h eT e x t i l eI n s t i t u t e ，2 0 0 7 ，9 8 ( 5 ) ： 4 4 3 4 5 1 N O U R E D D I N EA b i d i ，E R I CH e q u e t ，C H R I ST u m e r ，e t a 1 0 b j e c t i v ee v a l u a t i o no fd u r a b l ep r e s st r e a t m e n L sa n d f a b r i cs m 0 0 t h n e s sr a t i n g s J J o u r n a l

25、o ft h eT e x t i l e I n s c i t u t e ，2 0 0 5 ，7 5 ( 1 ) ：1 9 2 9 曹建达B P 神经网络预测棉织物悬垂性能 J 上海 纺织科技，2 0 0 3 ，3 1 ( 4 ) ：5 9 6 0 。 C A 0J i a n d a C o t t o nf a b r i cd r 即ep r e d i c t i o nw i t l lB Pn e u r a l n e t w o r klJ s h a n g h a iT e x t i l es c i e n c ea n dT e c h n o l o g y

26、， 2 0 0 3 ，3 1 ( 4 ) ：5 9 6 0 赵丽红用支持向量机预测织物的悬垂性能 J 纺 织学报，2 0 0 4 ，2 5 ( 6 ) ：7 1 7 3 Z H A 0L i h o n g P r e d i c t i o no ff a b r i cd r a p ew i t hs u p p o r tv e c t o r m a c h i n e 【JJ J o u m a lo fT e x f i l eR e s e a r c h ，2 0 0 4 ，2 5 ( 6 ) ： 7 1 7 3 李现国，林志贵，袁臣虎基于支持向量机的织物悬 垂性能评估 J

27、东华大学学报：自然科学版，2 0 0 7 ， 3 3 ( 4 ) ：4 6 4 4 6 7 4 9 9 U X i a n g u o ， L I NZ h i g u i ，Y U A NC h e n h u F a b r i c d r a p e e v a l u a t i o nb a s e do ns u p p o r tv e c t o rm a c h i n e J J o u m a lo f D o n g h u aU n i v e r s i t y ：N a t u I a lS c i e n c e ，2 0 0 7 ，3 3 ( 4 ) ：4 6

28、 4 4 6 7 4 9 9 曾志强，高济基于向量集约简的精简支持向量 机 J 软件学报，2 0 0 7 ，1 8 ( 1 1 ) ：2 7 1 9 2 7 2 7 Z E N GZ h i q i a n g ，G A 0J i S i m p l i 6 e ds u p p o r tv e c t o rm a c h i n e b a s e do nr e d u c e dv e c t o rs e tm e t h o d【Jj J o u m a lo f S o f h a r e ，2 0 0 7 ，1 8 ( 1 1 ) ：2 7 1 9 2 7 2 7 胡丹，肖建

29、，车畅尺度核支持向量机及在动态系统 辨识中的应用 J 西南交通大学学报，2 0 0 6 ，4 1 ( 4 ) ： 4 6 0 一4 6 5 H UD a n ，X I A 0J i a n ，C H EC h a n g S u p p o r tv e c t o rm a ch i n e w i t hs c a l i n gk e m e la n di t sa p p l i c 址i o ni nd y n a m i cs y s t e m i d e n t i 6 c a t i o n J J o u m a lo fS o u t h w e s tJ i a o

30、t o n gu n i v e r s i t y ， 2 0 0 6 ，4 1 ( 4 ) ：4 6 0 4 6 5 G U S T A V 0C a m p sV a l l s ，L U I SG o m e zC h o v a ， J O R D I M u n o zM a r i ，e ta 1 C o m p o s i t ek e r n e l sf o rh y p e r s p e c t r a l j m a g ec l a s s i 6 c a t i o n J I E E EG e o s c i e n c ea n dR e m o t e S

31、e n s i n gk t t e r s ，2 0 0 6 ，3 ( 1 ) ：9 3 9 7 王军，彭宏，肖建尺度核支持向量回归的非线性系 统辨识 J 系统仿真学报，2 0 0 6 ，1 8 ( 9 ) ：2 4 2 9 2 4 3 2 W A N GJ u n ，P E N GH o n g ，X I A 0J i a n N o n l i n e a rs y s t e m i d e n t i 6 c a t i o n u s j n gs c a I i n g k e m e l s u p p o r t v e c t o r r e g r e s s i o n

32、 lJ J o u m a lo fs y s t e ms i m u l a t i o n ，2 0 0 6 ，1 8 ( 9 ) ： 2 4 2 9 2 4 3 2 颜根廷，马广富，肖余之一种混合核函数支持向量 机算法 J 哈尔滨工业大学学报，2 0 0 7 ，3 9 ( 1 1 ) ： 1 7 ( H 一1 7 0 6 Y A NG e n t i n g ，M AG u a n g f u ，x I A OY u z h i S u p p o nv e c t o T m a c h i n e sb a s e do nb y b r i dk e m e If u n c t i o nlJJ J o u m a lo f H a r b i nI n s t i t u t eo fT e c h n o l o g y ，2 0 0 7 ，3 9 ( 1 1 ) ：1 7 0 4 一 】7 0 6 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark