一种基于LSSA-LSSVM的蚕茧真空水浴工艺设计解舒率预测模型构建方法

一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法
技术领域
1.本发明属于生丝生产加工技术领域，具体涉及一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法。


背景技术：

2.煮茧是缫丝生产过程中的关键工序，蚕茧蒸煮情况的优劣不仅影响后道加工工序的效率，也直接影响解舒率、清洁、洁净、生丝线密度等生丝质量指标。
3.目前，缫丝生产企业及纤检机构大多采用蚕茧真空水浴工艺试煮法验证解舒效果是否满足实际生产要求，即通过调整真空渗透、低温渗透、蒸汽渗透、高温水煮与降温出茧各工序中温度、真空度、时间等参数组合，试验得出对应的解舒质量指标如解舒率等。试煮试验工作繁琐且工艺参数的调整完全取决于检验人员经验，难以对工艺设计效果预测与工艺及时调整优化，造成时间和原材料的浪费，影响生丝的生产效率以及生丝检验的进度。因此，如何实现对解舒率的快速准确预测成为煮茧工艺优化控制的关键。
4.近几年来，人工智能手段蓬勃发展，最小二乘支持向量机(lssvm)以其非线性建模能力强、泛化能力强、训练时间短等优点而在纺织领域得以应用，但存在lssvm预测性能受超参数影响，预测精度不高的问题。为此有些研究者用粒子群算法(pso)等优化lssvm进行参数寻优，虽然能够提高lssvm参数的性能，但这些算法存在收敛速度慢，易陷入局部最优的不足。


技术实现要素：

5.本发明解决的技术问题是：克服现有技术的不足，提供一种基于 lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，利用 lssa-lssvm预测模型对真空水浴设计后的蚕茧解舒率进行预测，缩短了预测时间且提高了预测精度，有助于蚕茧真空水浴工艺设计及时调整优化。
6.本发明采用的技术方案如下：
7.一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，包括以下步骤：
8.s1：获取蚕茧真空水浴工艺解舒数据集d＝(x,y)，所述蚕茧真空水浴工艺解舒数据集包括茧质定量特性、真空水浴工艺设计数据及蚕茧解舒率；
9.s2：将所述蚕茧真空水浴工艺解舒数据集d＝(x,y)进行标准化数据处理，将所述蚕茧真空水浴工艺解舒数据集按7:3的比例随机划分为用于构建解舒率预测模型的训练样本集n与用来验证模型预测效果的测试样本集m；
10.s3:设定lssvm初始参数并建立蚕茧真空水浴工艺设计解舒率lssvm初始模型，利用所述蚕茧真空水浴工艺设计解舒率lssvm初始模型对所述训练样本集n进行预测；
11.s4：采用改进的麻雀搜索算法lssa对训练样本集预测结果进行参数优化，得到最
优超参数组(γ
*
,σ
2*
)，从而建立基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型；
12.s5:进行测试样本集m预测测试，得到工艺参数组合设计的解舒率预测值，衡量基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型对蚕茧解舒率的预测效果。采用决定系数(r2)、均方根误差(rmse)、平均相对误差绝对值 (mape)、平均绝对误差(mae)作为模型性能评价指标，各指标计算公式分别如下：
[0013][0014][0015][0016][0017]
其中，y
real
即每个测试样本的真实解舒率，y’predict
为y
real
的均值，y
predict
为每个测试样本对应的解舒率预测值，m为测试集样本的个数。
[0018]
进一步的，所述步骤s1中所述茧质定量特性包括茧层硬度x1、茧层率x2、上车茧率x3、次茧率x4，所述真空水浴工艺设计数据包括真空渗透真空度x5、真空渗透过程时间x6、低温渗透真空度x7、低温渗透温度x8，低温渗透过程时间x9、蒸汽渗透温度x
10
、蒸汽渗透过程时间x
11
、高温水煮温度x
12
、高温水煮过程时间x
13
、降温出茧温度x
14
、出水温度x
15
，所述茧质定量特性、真空水浴工艺设计数据作为lssvm模型输入变量x＝[x1,x2,
…
，x
15
]，蚕茧解舒率y＝[y1] 作为输出预测变量。
[0019]
进一步的，所述步骤s2中标准化数据处理采用归一化处理，其公式为：
[0020][0021][0022]
其中，x’,y’表示归一化后的数据值，x、y表示数据初始值，x
max
和x
min
表示x 中各特征数据的最大值与最小值,y
max
和y
min
分别为y中y1的最大值与最小值。
[0023]
进一步的，所述步骤s3中选用径向基神经网络rbf作为最小二乘支持向量机预测模型的核函数，蚕茧真空水浴工艺设计解舒率lssvm初始模型为：
[0024][0025][0026]
其中，αn表示拉格朗日乘子，b表示偏差补偿，rbf(x,xn)为径向基函数，σ2是核函数
宽度，x表示训练样本n中的输入变量；
[0027]
进一步的，所述步骤s4中包括以下步骤：
[0028]
s4.1:确定麻雀种群规模t，迭代次数maxiter，探索者比例pd，侦查者比例sd，安全阈值st，目标解维度dim，惩罚系数γ与核函数参数σ各自的控制范围[lb,ub]。假设候选解为麻雀，初始化麻雀种群位置，其公式为:
[0029]
xi＝(x
i1
,x
i2
,
…
x
id
,)1≤i≤t,1≤d≤dim
[0030]
x
id
＝rand
×
(ub-lb)+lb
[0031]
其中，rand为均匀分布在[0,1]中的随机数，x
id
∈[lb,ub]，ub和lb是搜索空间的上下限。
[0032]
s4.2:选取反映lssvm预测性能的均方误差mse作为适应度函数如式:
[0033][0034]
式中：n—训练样本数目；yn—真实解舒率值；y
predict
—预测解舒率值；f—适应度函数值；
[0035]
将麻雀种群个体代入适应度函数，计算出各个麻雀位置的适应度值并按升序排列，记录当前最优值与最差值；
[0036]
s4.3:依次进行探索者、追随者、侦查者的位置更新，计算适应度值更新最优麻雀位置；
[0037]
s4.4:判定麻雀个体是否进行levy飞行变异；
[0038]
s4.5:判断终止条件。若到达所设迭代次数maxiter时，全局最优麻雀位置即为lssvm的最优参数组合(γ
*
,σ
2*
)，确定基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型；否则，返回步骤4.2继续执行迭代直至到达设定的迭代次数maxiter；
[0039]
进一步的，所述步骤s4.1中采取随机分布方法进行麻雀种群初始化。
[0040]
更进一步的，所述步骤s4.4具体为计算惯性权重因子θ＝1-(t/maxiter),以轮盘赌法判断是否进行levy飞行变异，若θ《rand，所选麻雀个体进行levy飞行变异，贪心策略判断是否位置更新,其位置更新公式为：
[0041][0042][0043]
式中，表示第t次迭代麻雀位置,为第t次迭代的全局最优位置，表示点对点乘法，其中levy(s)为随机搜索路径，μ,ν均服从正态分布。
[0044]
有益效果
[0045]
与现有技术相比，本发明提供了一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，具备以下有益效果：
[0046]
1、本发明的基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，是基于改进的麻雀搜索算法对lssvm模型进行超参数寻优，保证模型内部超参数自动选取的同时，确定模型最佳参数并建立解舒率预测模型，缩减了迭代寻优时间，提高了模型预测精度。基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型，具有参数寻优能力强，预
测时间短且预测精度高等优点，可有效代替实际试煮试验，为相关工艺人员调整和优化真空水浴工艺参数提供了参考。
附图说明
[0047]
附图1为本发明的预测模型构建流程图；
[0048]
附图2为lssa优化lssvm超参数流程图；
[0049]
附图3为本发明测试样本集解舒率预测对比结果；
具体实施方式
[0050]
下面结合附图对本发明的具体实施方式详细描述，但对实施例的描述不是对技术方案的限制，任何依据本发明构思作形式而非本质的变化都应当视为本发明的保护范围。
[0051]
在本技术实施例利用lssvm建立了在蚕茧真空水浴工艺设计后的解舒率预测模型。但由于lssvm模型中的超参数通常由经验选择，将影响模型的预测性能。为了快速且准确地确定超参数的最优值，本技术进一步利用改进的麻雀搜索算法(lssa)来求解lssvm模型的参数最优问题，建立了基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型。
[0052]
本技术实施例中，以某纤维检验机构提供的某县秋风
×
白玉及其反交春蚕蚕种作为试验样品，采用fy521型试样煮茧机、xj2008型桑蚕茧自动缫丝检测仪试验仪器，按照gb/t911-2015《桑蚕干茧试验方法》的标准对蚕茧样品分批进行真空水浴工艺设计与同条件解舒检验，最终获取60组蚕茧真空水浴工艺解舒数据。
[0053]
参考附图1，其所示本技术实施例提供的一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，包括以下步骤：
[0054]
步骤s1：获取蚕茧真空水浴工艺解舒数据集d＝(x,y)，所述蚕茧真空水浴工艺解舒数据集包括茧质定量特性、真空水浴工艺设计数据及蚕茧解舒率；
[0055]
其中，茧质定量特性包括茧层硬度x1、茧层率x2、上车茧率x3、次茧率 x4，所述真空水浴工艺设计数据包括真空渗透真空度x5、真空渗透过程时间x6、低温渗透真空度x7、低温渗透温度x8，低温渗透过程时间x9、蒸汽渗透温度 x
10
、蒸汽渗透过程时间x
11
、高温水煮温度x
12
、高温水煮过程时间x
13
、降温出茧温度x
14
、出水温度x
15
，所述茧质定量特性、真空水浴工艺设计数据作为 lssvm模型输入变量x＝[x1,x2,
…
，x
15
]，蚕茧解舒率y＝[y1]作为输出预测变量。
[0056]
步骤s2：将所述蚕茧真空水浴工艺解舒数据集进行归一化数据处理，其公式为：
[0057][0058][0059]
其中，x’,y’表示归一化后的数据值，x、y表示数据初始值，x
max
和y
min
表示x中各特征数据的最大值与最小值,y
max
和y
min
分别为y中y1的最大值与最小值。
[0060]
将所述归一化处理后的蚕茧真空水浴工艺解舒数据集按7:3的比例随机划分为用于构建解舒率预测模型的训练样本集n与用来验证模型预测效果的测试样本集m；本技术实施例中，训练样本集n＝42，测试样本集m＝18。
[0061]
步骤s3：设定lssvm初始参数并建立蚕茧真空水浴工艺设计解舒率 lssvm初始模型，利用所述lssvm初始模型对所述训练样本集n进行预测；本技术实施例中基于matlab r2017b软件平台，结合lssvm工具箱(1.8版本)，导入训练样本集n进行初始lssvm模型建立，得到当前训练批次中解舒率的预测值。
[0062]
具体的，所述步骤s3包括利用输入的训练样本集数据：n＝{(x1,y1),(x2,y2),
…
,(xn,yn)},n＝1,2,
…
,n，构造决策函数为：
[0063]
y＝ω
t
φ(x)+b
[0064]
式中，ω为权重，φ(x)输入向量映射到高维空间的函数，x为训练样本集n的输入变量，b表示偏差补偿。
[0065]
为获得ω与b的值，基于机构风险最小化原理，lssvm回归问题可表示为以下约束优化问题：
[0066][0067]
s.t.yn＝ω
t
φ(xn)+b+ζn,n＝1,2,
…
,n
[0068]
其中，ζn为松弛变量，γ表示惩罚系数；
[0069]
通过引入拉格朗日函数及kkt最优条件化简得到，获得蚕茧真空水浴工艺设计解舒率lssvm初始模型为：
[0070][0071]
其中，选用径向基神经网络rbf作为最小二乘支持向量机预测模型的核函数：
[0072][0073]
其中，y(x)表示解舒率的预测值，αn表示拉格朗日乘子，rbf(x,xn)为径向基函数，σ2是核函数宽度，γ表示惩罚系数，xn表示参数向量；
[0074]
惩罚系数γ可以表征模型泛化能力，核函数宽度σ2反映训练数据分布特性；
[0075]
步骤s4：采用改进的麻雀搜索算法lssa对训练样本集n预测结果进行参数优化，得到最优超参数组(γ
*
,σ
2*
)，从而建立基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型；
[0076]
参考附图2，其具体流程如下：
[0077]
s4.1：确定麻雀种群规模t＝20，迭代次数maxiter＝50，探索者比例pd＝0.7，侦查者比例sd＝0.2，安全阈值st＝0.6，目标解维度dim＝2，惩罚系数γ与核函数参数σ各自的控制范围均为[lb,ub]＝[0.001,1000]；假设候选解为麻雀，采取随机分布方法进行初始化麻雀种群位置，其公式为
[0078]
xi＝(x
i1
,x
i2
,
…
x
id
,)1≤i≤t,1≤d≤dim
[0079]
x
id
＝rand
×
(ub-lb)+lb
[0080]
其中，rand为均匀分布在[0,1]中的随机数，x
id
∈[lb,ub]，ub和lb是搜索空间的上下限。
[0081]
s4.2：选取反映lssvm预测性能的均方误差mse作为适应度函数如式:
[0082][0083]
式中：n—训练样本数目；yn—真实解舒率值；y
predict
—预测值；f—适应度函数值；
[0084]
将麻雀种群个体代入适应度函数，计算出各个麻雀位置的适应度值并按升序排列，记录当前最优值与最差值；依据设置的pd选取适应度值最优的麻雀数量 t*pd作为探索者，其余为追随者；依据设置的sd随机在麻雀种群中选取t*sd 作为侦查者。
[0085]
探索者个体位置更新公式为：
[0086][0087]
追随者个体位置更新公式为：
[0088][0089]
式中，t为当前迭代数；x
ti，j
表示第t次迭代时第i个麻雀在第j维的位置， j＝1,2
…
,dim；α为(0,1]内的均匀随机数；q为标准正态分布随机数；l为1
×
dim 矩阵，且该矩阵元素均为1；xb为迄今为止探索者最优位置，xw为当前全局最差位置；a为1
×
dim矩阵，其各元素随机赋值为1或-1，且a
+
＝a
t
(aa
t
)-1
。
[0090]
侦查者位置更新公式:
[0091][0092]
其中，x
p
为当前全局最优位置，β为标准正态分布随机数，负责控制步长，k 为[-1,1]内的均匀随机数。fi是当前个体的适应度值，fw和fg分别为当前全局最差与最优的适应度值，ε为极小常数。
[0093]
s4.3：按照上式依次进行探索者、追随者、侦查者的位置更新，计算适应度值更新最优麻雀位置；
[0094]
s4.4：判定麻雀个体是否进行levy飞行变异:具体为计算惯性权重因子θ＝1-(t/maxiter),以轮盘赌法判断是否进行levy飞行变异，若θ《rand，所选麻雀个体进行levy飞行变异并用贪心策略判断是否位置更新。levy飞行变异公式为：
[0095][0096][0097]
式中，表示第t次迭代麻雀位置,为第t次迭代的全局最优位置，表示点对点乘法，其中levy(s)为随机搜索路径，μ,ν均服从正态分布。
[0098]
s4.5：判断终止条件。若到达所设迭代次数maxiter时，全局最优麻雀位置即为lssvm的最优参数组合(γ
*
,σ
2*
)；否则，返回步骤4.2；
[0099]
本技术实施例中，lssvm的最优参数组合为(96.5281,24.7217)。
[0100]
步骤s5：进行测试样本集m预测测试，得到工艺参数组合设计的解舒率预测值，衡量基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型对蚕茧解舒率的预测效果。采用决定系数(r2)、均方根误差(rmse)、平均相对误差绝对值(mape)、平均绝对误差(mae)作为模型性能评价指标，各指标计算公式分别如下：
[0101][0102][0103][0104][0105]
其中，y
real
即每个测试样本的真实解舒率，y’predict
为y
real
的均值，y
predict
为每个测试样本对应的解舒率预测值，m为测试集样本的个数。
[0106]
本技术实例测试样本集解舒率结果如图3所示，原始麻雀搜索算法优化 lssvm(ssa-lssvm)作为对比方法，其预测效果对比如表1所示，从表1可看出，本发明方法解舒率预测精度更高且预测时间更短。
[0107]
模型lssa-lssvmssa-lssvmr2/％96.53194.336rmse2.4152.816mape3.6064.507mae1.9172.363t/ms149.595151.484
[0108]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，其特征在于，包括以下步骤：s1：获取蚕茧真空水浴工艺解舒数据集d＝(x,y)，所述蚕茧真空水浴工艺解舒数据集包括茧质定量特性、真空水浴工艺设计数据及蚕茧解舒率；s2：将所述蚕茧真空水浴工艺解舒数据集d＝(x,y)进行标准化数据处理，将所述蚕茧真空水浴工艺解舒数据集按7:3的比例随机划分为用于构建解舒率预测模型的训练样本集n与用来验证模型预测效果的测试样本集m；s3:设定lssvm初始参数并建立蚕茧真空水浴工艺设计解舒率lssvm初始模型，利用所述蚕茧真空水浴工艺设计解舒率lssvm初始模型对所述训练样本集n进行预测；s4：采用改进的麻雀搜索算法lssa对训练样本集预测结果进行参数优化，得到最优超参数组(γ
*
,σ
2*
)，从而建立基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型；s5:进行测试样本集m预测测试，得到工艺参数组合设计的解舒率预测值，衡量基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型对蚕茧解舒率的预测效果。采用决定系数(r2)、均方根误差(rmse)、平均相对误差绝对值(mape)、平均绝对误差(mae)作为模型性能评价指标，各指标计算公式分别如下：各指标计算公式分别如下：各指标计算公式分别如下：各指标计算公式分别如下：其中，y
real
即每个测试样本的真实解舒率，y’predict
为y
real
的均值，y
predict
为每个测试样本对应的解舒率预测值，m为测试集样本的个数。2.根据权利要求1所述的一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，其特征在于，所述步骤s1中所述茧质定量特性包括茧层硬度x1、茧层率x2、上车茧率x3、次茧率x4，所述真空水浴工艺设计数据包括真空渗透真空度x5、真空渗透过程时间x6、低温渗透真空度x7、低温渗透温度x8，低温渗透过程时间x9、蒸汽渗透温度x
10
、蒸汽渗透过程时间x
11
、高温水煮温度x
12
、高温水煮过程时间x
13
、降温出茧温度x
14
、出水温度x
15
，所述茧质定量特性、真空水浴工艺设计数据作为lssvm模型输入变量x＝[x1,x2,
…
，x
15
]，蚕茧解舒率y＝[y1]作为输出预测变量。3.根据权利要求1所述的一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，其特征在于，所述步骤s2中标准化数据处理采用归一化处理，其公式为：
其中，x’,y’表示归一化后的数据值，x、y表示数据初始值，x
max
和x
min
表示x中各特征数据的最大值与最小值,y
max
和y
min
分别为y中y1的最大值与最小值。4.根据权利要求1所述的一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，其特征在于，所述步骤s3中选用径向基神经网络rbf作为最小二乘支持向量机预测模型的核函数，蚕茧真空水浴工艺设计解舒率lssvm初始模型为：蚕茧真空水浴工艺设计解舒率lssvm初始模型为：其中，α
n
表示拉格朗日乘子，b表示偏差补偿，rbf(x,x
n
)为径向基函数，σ2是核函数宽度，x表示训练样本n中的输入变量。5.根据权利要求1所述的一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，其特征在于，所述步骤s4中具体包括以下步骤：s4.1:确定麻雀种群规模t，迭代次数maxiter，探索者比例pd，侦查者比例sd，安全阈值st，目标解维度dim，惩罚系数γ与核函数参数σ各自的控制范围[lb,ub]。假设候选解为麻雀，初始化麻雀种群位置，其公式为:x
i
＝(x
i1
,x
i2
,
…
x
id
,)1≤i≤t,1≤d≤dimx
id
＝rand
×
(ub-lb)+lb其中，rand为均匀分布在[0,1]中的随机数，x
id
∈[lb,ub]，ub和lb是搜索空间的上下限。s4.2:选取反映lssvm预测性能的均方误差mse作为适应度函数如式:式中：n—训练样本数目；y
n
—真实解舒率值；y
predict
—预测解舒率值；f—适应度函数值；将麻雀种群个体代入适应度函数，计算出各个麻雀位置的适应度值并按升序排列，记录当前最优值与最差值；s4.3:依次进行探索者、追随者、侦查者的位置更新，计算适应度值更新最优麻雀位置；s4.4:判定麻雀个体是否进行levy飞行变异；s4.5:判断终止条件。若到达所设迭代次数maxiter时，全局最优麻雀位置即为lssvm的最优参数组合(γ
*
,σ
2*
)，确定基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型；否则，返回步骤4.2继续执行迭代直至到达设定的迭代次数maxiter。6.根据权利要求5所述的一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，其特征在于，所述步骤s4.1中采取随机分布方法进行麻雀种群初始化。7.根据权利要求5所述的一种基于lssa-lssvm的蚕茧真空水浴工艺设计解舒率预测模型构建方法，其特征在于，所述步骤s4.4具体为计算惯性权重因子θ＝1-(t/maxiter),以轮盘赌法判断是否进行levy飞行变异，若θ<rand，所选麻雀个体进行levy飞行变异，贪心策略
判断是否位置更新,其位置更新公式为：判断是否位置更新,其位置更新公式为：式中，表示第t次迭代麻雀位置,为第t次迭代的全局最优位置，表示点对点乘法，其中levy(s)为随机搜索路径，μ,ν均服从正态分布。

技术总结
本发明公开了一种基于LSSA-LSSVM的蚕茧真空水浴工艺设计解舒率预测模型构建方法，具体包括以下步骤：获取蚕茧真空水浴工艺解舒数据集后归一化处理，并划分为训练样本集和测试样本集；设定LSSVM初始参数并建立LSSVM初始模型，利用所述LSSVM初始模型对所述训练样本集进行训练预测；采用改进的麻雀搜索算法LSSA对上述预测结果进行参数优化，得到最优超参数组(γ


技术研发人员：黄程卓 孙卫红 邵铁锋
受保护的技术使用者：中国计量大学
技术研发日：2021.12.07
技术公布日：2022/3/8