[发明专利]一种基于神经网络的静电纺丝纤维平均直径预测方法

说明书

本发明涉及静电纺丝技术领域，具体公开了一种基于神经网络的静电纺丝纤维平均直径预测方法，包括将静电纺丝工艺参数以及静电纺丝纤维的直径作为训练样本、建立BP神经网络模型、输入训练样本对BP神经网络模型进行训练、将静电纺丝工艺参数输入训练后的BP神经网络模型、训练后的BP神经网络模型对静电纺丝纤维的直径进行预测并得出直径预测值等步骤。本发明的基于神经网络的静电纺丝纤维平均直径预测方法，运用BP神经网络技术，建立建立预测模型得出静电纺丝纤维的平均直径，有效地提高了实验效率，方法简单高效，预测结果可信度较高，降低了试错成本。

技术领域

本发明涉及静电纺丝技术领域，尤其涉及一种基于神经网络的静电纺丝纤维平均直径预测方法。

背景技术

静电纺丝工艺中如何得到满足直径要求的静电纺丝纤维是一个比较复杂的问题，该工艺涉及到的用于生产符合直径要求的静电纺丝纤维的静电纺丝工艺参数较多，各个静电纺丝工艺参数之间相互作用关系复杂，科研人员通常都是借助于经验进行反复调试，从而得到各个静电纺丝工艺参数，所以在对静电纺丝工艺参数进行调试，从而能够生产符合直径要求的静电纺丝纤维难上加难。

发明内容

针对现有技术中的技术问题，本发明提供一种基于神经网络的静电纺丝纤维平均直径预测方法。

一种基于神经网络的静电纺丝纤维平均直径预测方法，包括：

将静电纺丝工艺参数以及静电纺丝纤维的直径作为训练样本；

建立BP神经网络模型；

输入训练样本对BP神经网络模型进行训练；

将静电纺丝工艺参数输入训练后的BP神经网络模型，训练后的BP神经网络模型对静电纺丝纤维的直径进行预测并得出直径预测值；

计算训练样本中静电纺丝纤维的直径与直径预测值的差值，若差值未超出设定值，则根据直径预测值计算静电纺丝纤维的平均直径，若差值超出设定值，则将差值回传BP神经网络模型，进行再次训练及预测。

进一步的，输入训练样本对BP神经网络模型进行训练包括：

对BP神经网络模型的参数进行初始化，BP神经网络模型包括输入层、隐藏层以及输出层，随机选取输入层到隐藏层之间的权重W^[1]以及隐藏层到输出层之间的权重W^[2]，其中W^[1]与W^[2]均为非零值；令隐藏层的阈值b^[1]与输出层的阈值b^[2]为零，并将b^[1]和b^[2]向量化；

将m个训练样本输入BP神经网络模型，则BP神经网络模型输出层的输入矩阵为：X＝(x⁽¹⁾,x⁽²⁾,...,x^(m)),BP神经网络模型输出层的输出矩阵为Y＝(y⁽¹⁾,y⁽²⁾,...,y^(m))；其中，第i个训练样本经过隐藏层的输出为a^[1](i)＝f(W^[1]x⁽ⁱ⁾+b^[1])，第i个训练样本经过输出层的输出为f为激活函数，且

计算BP神经网络模型的误差函数：若误差函数满足要求则训练结束，若误差函数不满足要求则反向传播调整权重；其中，反向传播时输出层到隐藏层之间的权重为隐藏层到输入层之间的权重为ɑ为学习率。

进一步的，静电纺丝工艺参数包括：电压值、纺丝喷头与接收板之间的接收距离、纺丝收集速度、纺丝环境的气压值以及纺丝材料的质量分数。