资源描述：
《纺织学报标准格式》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。
1、毛精纺前纺工艺参数重要性的BP网络定量评价法小二黑体，居中，3倍行距刘贵作者简介（黑体小五）：刘贵（1983—），男，博士生。主要研究方向为毛精纺加工过程建模及其职能决策预报与控制。于伟东，通讯作者，E-mail:wdyu@dhu.edu.cn。第一作者姓名（出生年—），性别，职称，学历。主要研究方向。通讯作者姓名，E-mail。，于伟东1,2四号楷体，居中，单倍行距(1.东华大学纺织材料与技术实验室,上海 201620;武汉科技学院纺织与材料学院,湖北武汉 430073)小五号宋体，居中，单倍
2、行距摘要摘要写作方法：请用第三人称的语气陈述该文研究目的（即为了……，或者针对……问题，）、过程、方法（即采用的手段和方法）、结果和结论（即研究得出的结论），重点是结果和结论，背景信息、基本概念及对文章的自我评价不应出现在摘要中，要达到只看摘要而不必看文章就可理解全文主要内容的程度；摘要字数应控制在200～300字，英文要与中文相对应。（小五黑体）在BP神经网络建模技术的基础上,提出利用神经网络输入层与输出层之间的网络权值及其分布来求各输入参数重要程度的方法。将采集到的毛精纺企业前纺工艺参数运用
3、BP神经网络分别建立了粗纱CV值和粗纱单重的预测模型。结果表明：所建模型的平均相对误差都低于3%；采用样本数据验证,其预报值与实测值间的相关系数都高于0.95。对所建模型的网络权重进行提取,分别计算出13个输入参数对粗纱CV值和粗纱单重的重要性,挖掘出显著而有效的参数。经对比认为，BP网络法比多元回归显著性分析(MRSA)更为精准，可用于对实际生产加工的预报和控制。（小五宋体）关键词（小五黑体）毛精纺；前纺工艺参数；模型；BP神经网络；定量评价法（小五宋体）Quantitativeevaluat
4、ionmethodforthesignificanceofworstedfore-spinningparametersbasedonBPneuralnetwork小四TimesNewRome,3倍行距LIUGui1，YUWeidong1,2（五号）(1.TextileMaterialsandTechnologyLaboratoryDonghuaUniversity,Shanghai 201620,China;2.DepartmentofTextilesandMaterials,WuhanUniv
5、ersityofScienceandEngineering,Wuhan,Hubei 430073,China）小五，居中AbstractBasedonBPneuralnetworkmodeltechnology,anewapproachwasdevelopedandappliedtoappraisetheinputparameters′significantdegreethroughtheweightinessanditsdistributionbetweentheinputandoutputl
6、ayer.Usingthefore-spinningworkingproceduredatagatheredfromtheworstedtextilesenterprise,therovingunevennessandweightpredictionmodelswereestablishedrespectively.Theresultsindicatedthatthemodels′meanrelativeerrorsarealllessthan3%;thecorrelationcoefficie
7、ntR2betweenthepredictionvalueandtheactualareallmorethan0·95.Usingtheweightinessextractedfromtheestablishedmodels,the13inputparameters′significancetotherovingunevennessandweightwerecalculatedrespectively,andtheremarkableandeffectiveparametersareexcava
8、tedout.Meanwhilecontrastingtothemultivariateregressionsignificanceanalysis(MRSA),theBPneuralnetworkmethodismoreexactthanMRSAandcanbeusedintheforecastandcontroloftheactualproduceandmanufacture(小五)KeywordsDoubleglow;Artificialneuralnetwork;Predictionmo
