Powiadomienia systemowe
- Sesja wygasła!
Tytuł artykułu
Autorzy
Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
Inteligentne systemy obliczeniowe do przewidywania jakości przędzy
Języki publikacji
Abstrakty
This study describes the application of intelligent control systems in textile engineering and how to use these approaches for developing a spun yarn quality prediction system. The Multilayer Perceptron Neural Network(MLPNN), Support Vector Machines(SVMs), the Radial Basic Function Network(RBFN), the General Neural Network(GNN), the Group Method of Data Handling Polynomial Neural Network (GMDHPNN) and Gene expression Programming (GEP), generally called intelligent techniques, were used to predict the count-strength-product (CSP). Fiber properties such fbre strength (FS), micronaire (M), the upper half mean length (UHML), fbre elongation(FE), the uniformity index (UI), yellowness (Y), grayness (G) and short fbre content (SFC) were used as inputs. The prediction performances are compared to those provided by the classical Linear Regression (LR) model. The SVMs model provides good prediction ability, followed by the GEP and LR models, respectively. Graphs illustrating the relative importance of fbre properties for CSP were plotted. Fiber strength (FS) is ranked frst in importance as a contributor to CSP by the fve models, while fbre elongation (FE) ranks second. By means of the yarn strength learned surfaces on fbre properties, the study shows how to control yarn quality using knowledge of fbre properties.
Do przewidywania jakości przędzy zastosowano: wielowarstwowe perceptronowe sieci neuronowe, maszyny wektorów wspierających, sieci radialne, sieci neuronowe, grupowe metody obróbki danych wielomianowych sieci neuronowych oraz programowanie ekspresji genów. Jako wielkości wejściowe przyjęto: wytrzymałość włókien, micronaire, średnią długość, wydłużenie, współczynnik równomierności, zażółcenie, stopień szarości oraz zawartość włókien krótkich. Zdolność przewidywania porównywano z wynikami uzyskiwanymi przy stosowaniu modelu klasycznej regresji liniowej. Najlepsze wyniki uzyskano za pomocą maszyn wektorów wspierających, a następnie za pomocą programowanej ekspresji genów i regresji liniowej. Po wykreśleniu odpowiednich charakterystyk stwierdzono, że najistotniejszymi wielkościami determinującymi jakość przędz są wytrzymałość, a następnie wydłużenie.
Czasopismo
Rocznik
Strony
23--27
Opis fizyczny
Bibliogr. 16 poz.
Twórcy
autor
autor
- P. R. China, Shanghai, Dong Hua University, College of Textiles Wang, X. H.
Bibliografia
- 1. Chattopadhyay, R.; Guha, A. Textile Progress of Artifcial Neural Network: Applications to Textiles, The Textile Institute, Manchester, 2004, 35, 1-46.
- 2. Critanini, N.; Shawe-Taylor, J. Cambridge University Press, Cambridge, 2000.
- 3. Frydrych, I. Textile Res. J., 1992, 62(6), 340.
- 4. Cheng, L.; Adams, D. L. Textile Res. J., 1995, 6(59), 495.
- 5. Deogratias, N.; Hou, W. X. Fibers and Polymers, 2010, 1(11), 97.
- 6. Anindya, G.; Pritam, C. Fibers and Polymers, 2010, 1(11), 84.
- 7. Texas Cotton Quality Evaluation of Cropof 1997, International Textile Center, Lubbock, Texas.
- 8. Serdar, I. International Journal of Robust and Nonlinear, 2006, 16(17), 843.
- 9. Cristianini, N.; Shawe-Taylor, J. An introduction to Support Vector Machines, Cambridge University Press, 2000.
- 10. Moody, J.; Darken, C. J. Neural Computation, 1989, 1(2), 281.
- 11. Cybenko, G. Mathematics of Control, Signals, and Systems, 1989, 2(4), 303.
- 12. Wasserman, P. D.; Schwartz, T. IEEE Expert, 1988, 1(3), 10.
- 13. IEEE Transactions on Systems, Man, and Cybernetics, Cybernetics, 2007, 37(6), 1434.
- 14. Ferreira, C. Gene Expression Programming: mathematical modeling by an artifcial intelligence, 2006.
- 15. Bishop, C. M. Neural Computation, 1991, 3(4), 579.
- 16. www.dtreg.com
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BPW7-0021-0033