毛精紡前紡工藝參數(shù)重要性的BP網(wǎng)絡(luò)定量評(píng)價(jià)法

1、毛精紡前紡工藝參數(shù)重要性的BP網(wǎng)絡(luò)定量評(píng)價(jià)法小二黑體，居中，3倍行距劉 貴收稿日期（黑體小五）：2007-03-10 修回日期：2007-05-16（由編輯部填寫(xiě)）基金項(xiàng)目（黑體小五）：國(guó)家經(jīng)貿(mào)委創(chuàng)新項(xiàng)目（02CJ-14-05-01）基金名稱(chēng)（基金編號(hào)）(楷體小五)作者簡(jiǎn)介（黑體小五）：劉貴（1983），男，博士生。主要研究方向?yàn)槊徏庸み^(guò)程建模及其職能決策預(yù)報(bào)與控制。于偉東，通訊作者，E-mail:wdyu。第一作者姓名（出生年），性別，職稱(chēng)，學(xué)歷。主要研究方向。通訊作者姓名，E-mail。，于偉東1,2四號(hào)楷體，居中，單倍行距(1. 東華大學(xué) 紡織材料與技術(shù)實(shí)驗(yàn)室,上海201620; 武

2、漢科技學(xué)院 紡織與材料學(xué)院,湖北 武漢430073)小五號(hào)宋體，居中，單倍行距摘 要摘要寫(xiě)作方法：請(qǐng)用第三人稱(chēng)的語(yǔ)氣陳述該文研究目的（即為了，或者針對(duì)問(wèn)題，）、過(guò)程、方法（即采用的手段和方法）、結(jié)果和結(jié)論（即研究得出的結(jié)論），重點(diǎn)是結(jié)果和結(jié)論，背景信息、基本概念及對(duì)文章的自我評(píng)價(jià)不應(yīng)出現(xiàn)在摘要中，要達(dá)到只看摘要而不必看文章就可理解全文主要內(nèi)容的程度；摘要字?jǐn)?shù)應(yīng)控制在200300 字，英文要與中文相對(duì)應(yīng)。（小五黑體）在BP神經(jīng)網(wǎng)絡(luò)建模技術(shù)的基礎(chǔ)上,提出利用神經(jīng)網(wǎng)絡(luò)輸入層與輸出層之間的網(wǎng)絡(luò)權(quán)值及其分布來(lái)求各輸入?yún)?shù)重要程度的方法。將采集到的毛精紡企業(yè)前紡工藝參數(shù)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分別建立了粗紗CV值

3、和粗紗單重的預(yù)測(cè)模型。結(jié)果表明：所建模型的平均相對(duì)誤差都低于3%；采用樣本數(shù)據(jù)驗(yàn)證,其預(yù)報(bào)值與實(shí)測(cè)值間的相關(guān)系數(shù)都高于0.95。對(duì)所建模型的網(wǎng)絡(luò)權(quán)重進(jìn)行提取,分別計(jì)算出13個(gè)輸入?yún)?shù)對(duì)粗紗CV值和粗紗單重的重要性,挖掘出顯著而有效的參數(shù)。經(jīng)對(duì)比認(rèn)為，BP網(wǎng)絡(luò)法比多元回歸顯著性分析(MRSA)更為精準(zhǔn)，可用于對(duì)實(shí)際生產(chǎn)加工的預(yù)報(bào)和控制。（小五宋體）關(guān)鍵詞（小五黑體）毛精紡；前紡工藝參數(shù)；模型；BP神經(jīng)網(wǎng)絡(luò)；定量評(píng)價(jià)法（小五宋體）中圖分類(lèi)號(hào)（小五黑體）： TS 131.9（小五宋體） 文獻(xiàn)標(biāo)志碼（小五黑體）： Quantitative evaluation method for the signi

4、ficance of worstedfore-spinning parameters based on BP neural network小四Times New Rome,3倍行距LIU Gui1，YU Weidong1,2（五號(hào)）(1.Textile Materials andTechnology Laboratory Donghua University, Shanghai201620,China;2.Department of Textiles and Materials, Wuhan University of Science and Engineering, Wuhan, Hubei

5、430073,China）小五，居中 Abstract Based on BP neural network model technology, a new approach was developed and applied to appraise the input parameterssignificant degree through the weightiness and its distribution between the input and output layer. Usingthe fore-spinningworking procedure data gathered

6、fromtheworsted textiles enterprise, the roving unevenness and weight prediction models were established respectively. The results indicated that the modelsmean relative errors are all less than 3%; the correlation coefficientR2between the prediction value and the actual are all more than 0·95.

7、Using the weightiness extracted fromthe established models, the 13 input parameterssignificance to the roving unevenness and weight were calculated respectively, and the remarkable and effective parameters are excavated out. Meanwhile contrasting to the multivariate regression significance analysis

8、(MRSA), the BP neural network method is more exact than MRSA and can be used in the forecast and control of the actual produce and manufacture (小五)Key words Double glow; Artificial neural network; Prediction model (小五)此處排正文。請(qǐng)選擇A4紙型，上、下頁(yè)邊距為2.5cm，左、右頁(yè)邊距為2.0cm，1.0倍行距。正文部分請(qǐng)雙欄排版。（正文五號(hào)宋體,單倍行距）對(duì)精毛紡織廠而言,前紡工

9、序作為整個(gè)加工過(guò)程的第一環(huán)節(jié),其加工質(zhì)量對(duì)后道工序?qū)a(chǎn)生直接影響。根據(jù)實(shí)際生產(chǎn)經(jīng)驗(yàn),細(xì)紗的條干不勻率和細(xì)紗機(jī)的斷頭率相對(duì)于末道粗紗的質(zhì)量呈顯著的線性關(guān)系1,故控制前紡各工序的半制品不勻率,特別是末道粗紗的不勻率是毛紡廠十分重要的質(zhì)量監(jiān)控措施2。目前企業(yè)主要以經(jīng)驗(yàn)為主,通過(guò)傳統(tǒng)的測(cè)量和記錄、肉眼觀看與估計(jì)、設(shè)備的調(diào)整和人力的補(bǔ)充等原始的方法實(shí)現(xiàn),不能對(duì)大量積累和不斷產(chǎn)生的數(shù)據(jù)進(jìn)行系統(tǒng)整理、綜合分析與客觀決斷,也無(wú)法確切地找出產(chǎn)生問(wèn)題的原因及實(shí)際解決方法3。本文針對(duì)影響粗紗質(zhì)量的毛條回潮率、毛條含油率、纖維平均直徑、直徑離散系數(shù)、纖維平均長(zhǎng)度等13個(gè)指標(biāo)參數(shù),將采集到的企業(yè)實(shí)際生產(chǎn)數(shù)據(jù),運(yùn)用BP網(wǎng)

10、絡(luò)建立預(yù)測(cè)模型,提出利用網(wǎng)絡(luò)各層間的權(quán)重及其分布,計(jì)算出各參數(shù)對(duì)產(chǎn)量質(zhì)量指標(biāo)的影響程度,并對(duì)比多元回歸分析,效果較好。引言(或前言)應(yīng)簡(jiǎn)要說(shuō)明您進(jìn)行該研究工作的目的、范圍、相關(guān)領(lǐng)域的前人工作和知識(shí)空白、理論基礎(chǔ)和分析、研究設(shè)想、研究方法與手段和預(yù)期結(jié)果及意義等。應(yīng)簡(jiǎn)要回顧本文所涉及的科學(xué)問(wèn)題的研究歷史，尤其是近三年的研究成果，需引用參考文獻(xiàn)；并在此基礎(chǔ)上提出論文所要解決的問(wèn)題。引言部分不加小標(biāo)題。1網(wǎng)絡(luò)定量評(píng)價(jià)法學(xué)報(bào)采用4級(jí)標(biāo)題制，為便于排版，一級(jí)標(biāo)題的字?jǐn)?shù)不超出15個(gè)漢字，二、三級(jí)標(biāo)題的字?jǐn)?shù)不超出17個(gè)漢字（四號(hào)黑體，3倍行距）BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation)是指基于誤差反向

11、傳播算法的多層前向人工神經(jīng)網(wǎng)絡(luò)4。對(duì)于任何在閉區(qū)間的1個(gè)連續(xù)函數(shù)都可以用含有1個(gè)隱層的BP網(wǎng)絡(luò)來(lái)逼近,因而1個(gè)3層結(jié)構(gòu)的BP網(wǎng)絡(luò)可以完成任意N維到M維的映射5。從其學(xué)習(xí)過(guò)程來(lái)輸入?yún)?shù)對(duì)輸出結(jié)果的影響完全由網(wǎng)絡(luò)權(quán)值決定,因此,知道網(wǎng)絡(luò)各層間的權(quán)重及其分布,就可計(jì)算輸入?yún)?shù)的確定度(輸入對(duì)輸出影響作用的相對(duì)大小,即貢獻(xiàn)率)。依照誤差反向傳播方法,輸入層節(jié)點(diǎn)對(duì)輸出層節(jié)點(diǎn)的影響是由各層權(quán)值的復(fù)合作用。由于輸出反映的是其本身,它不需要再進(jìn)行對(duì)后層節(jié)點(diǎn)影響大小的區(qū)分,故可將其確定度看作是相同的,然后參照反向傳播算法從輸出層向輸入層反向求出各輸入?yún)?shù)的確定度。2重要性評(píng)價(jià)過(guò)程21試驗(yàn)數(shù)據(jù)和參數(shù)（小四黑體，單

12、倍行距）本文以山東某精毛紡廠采集到的100組數(shù)據(jù)為建模依據(jù)。數(shù)據(jù)采集分2部分,一部分從實(shí)際生產(chǎn)工藝設(shè)計(jì)單中提取,主要是工藝流程參數(shù)、設(shè)備加工參數(shù);另一部分為測(cè)試數(shù)據(jù),來(lái)自不同的生產(chǎn)線。任意選80組數(shù)據(jù)用于模型建立,其中70組用于模型訓(xùn)練,10組作為檢驗(yàn)數(shù)據(jù),而未參與建模的20組數(shù)據(jù)則用于對(duì)模型的驗(yàn)證。影響前紡粗紗質(zhì)量的參數(shù)有毛條回潮率(X1)、毛條含油率(X2)、纖維平均直徑(X3)、直徑離散系數(shù)(X4)、纖維平均長(zhǎng)度(X5)、長(zhǎng)度離散系數(shù)(X6)、短毛率(X7)、毛條質(zhì)量(X8)、毛條質(zhì)量不勻率(X9)、毛條毛粒(X10)、前紡總并合次數(shù)(X11)、前紡總牽伸倍數(shù)(X12)和粗紗捻系數(shù)(X1

13、3)6。運(yùn)用BP網(wǎng)路建模分析時(shí),以這些參數(shù)作為網(wǎng)絡(luò)的輸入層參數(shù),輸入節(jié)點(diǎn)數(shù)為13,中間包含1個(gè)隱層,分別以R1和R2作為網(wǎng)絡(luò)輸出層建立多輸入單輸出子網(wǎng)組7模式進(jìn)行預(yù)報(bào)。隱層節(jié)點(diǎn)數(shù)的選取根據(jù)式(1)8進(jìn)行計(jì)算:文章中的所有字母變量用斜體 (1)式中：m為輸入層節(jié)點(diǎn)數(shù);n為輸出層節(jié)點(diǎn)數(shù)S為隱層節(jié)點(diǎn)數(shù),本文取隱層節(jié)點(diǎn)數(shù)為7。這樣就可以建立2個(gè)13-7-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型。同時(shí),為消除原變量的量綱不同、數(shù)值差異太大帶來(lái)的影響,需要對(duì)原變量作標(biāo)準(zhǔn)化處理。即 （2）式中 （3）22模型的建立和訓(xùn)練根據(jù)模型結(jié)構(gòu),在Mtalab 6.5的環(huán)境下建立2個(gè)13-7-1型BP網(wǎng)絡(luò)模型。利用式(2)對(duì)輸入樣本數(shù)

14、據(jù)進(jìn)行預(yù)處理。將標(biāo)準(zhǔn)化后的數(shù)據(jù)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練參數(shù):訓(xùn)練最大步數(shù)為50;精度目標(biāo)值為1.0×10-3;學(xué)習(xí)率為0.019。其訓(xùn)練過(guò)程曲線見(jiàn)圖1。由圖可知,分別經(jīng)過(guò)25和47步左右的訓(xùn)練,平均誤差平方和便達(dá)到了設(shè)定的目標(biāo)值。10組檢驗(yàn)樣本的預(yù)報(bào)結(jié)果和實(shí)際結(jié)果的相對(duì)誤差分別為2.28%和2.39%。這說(shuō)明所建立的模型具有很高的精度和準(zhǔn)確性。2.3模型的驗(yàn)證根據(jù)上面訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò),對(duì)20組驗(yàn)圖1 粗紗CV和單重預(yù)報(bào)模型訓(xùn)練曲線（小五宋體）Fig.1 Robing unevenness (a) and the roving weight (b) forecast models t

15、raining curve (小五Rome)證樣本數(shù)據(jù)進(jìn)行預(yù)報(bào)檢驗(yàn)。首先對(duì)這20組數(shù)據(jù)利用前面的標(biāo)準(zhǔn)化方法進(jìn)行預(yù)處理,然后代入訓(xùn)練好的模型中進(jìn)行預(yù)報(bào)模擬,得到網(wǎng)絡(luò)輸出并對(duì)其做還原量綱的處理,就可得到粗紗質(zhì)量指標(biāo)的預(yù)測(cè)值。其實(shí)測(cè)值與預(yù)報(bào)值間的關(guān)系見(jiàn)圖2。圖中預(yù)報(bào)值與真實(shí)值之間的相關(guān)系數(shù)均高于0.95,說(shuō)明模型是可靠和準(zhǔn)確的。2.4重要性計(jì)算和評(píng)價(jià)設(shè)前面的13-7-1型BP網(wǎng)絡(luò)經(jīng)LM算法訓(xùn)練一定的次數(shù)后收斂,令wij為輸入層j和隱含層i之間的連接權(quán)值,wi1為隱含層i和輸出層之間的連接權(quán)值,具體步驟如下。1)初始化輸出節(jié)點(diǎn)確定度P,若輸出節(jié)點(diǎn)數(shù)為O,則一般取為P=1/O,這里輸出節(jié)點(diǎn)數(shù)為1,因此輸

16、出節(jié)點(diǎn)確定度為1。2)反向求穩(wěn)含層節(jié)點(diǎn)的確定度,即將輸出層節(jié)點(diǎn)確定度經(jīng)權(quán)值作用向前傳播。因?yàn)檩敵龉?jié)點(diǎn)確定度為1,故隱含層節(jié)點(diǎn)的確定度為1×wi1=wi1。3)求輸入層的確定度,對(duì)每個(gè)隱含層的節(jié)點(diǎn)i,每個(gè)輸入層節(jié)點(diǎn)j,將權(quán)值wij和wi1相乘,得到文中圖請(qǐng)用高分辨率的TIF或JPG格式，并注意圖的制作格式：不能用彩圖；圖中橫縱坐標(biāo)線粗0.5磅，曲線粗0.75磅；圖的尺寸固定后圖上所有注解文字要統(tǒng)一用6號(hào)宋體；坐標(biāo)刻度線方向向內(nèi)，橫縱坐標(biāo)必須有名稱(chēng)和單位；圖中的網(wǎng)格（底紋）線和上、右邊框線要?jiǎng)h掉，只保留橫縱坐標(biāo)線。（若是顯微鏡或電鏡照片，圖內(nèi)一定要有比例標(biāo)尺） 圖2 粗紗CV和單重預(yù)報(bào)值

17、與實(shí)測(cè)值相關(guān)分析Fig.2 Relevant analysis between the predict and measured value of the roving unevenness (a) and weight (b) (4)將Pij當(dāng)量化后得到 (5)對(duì)于每一個(gè)輸入層節(jié)點(diǎn)j,將Qij求和,得到輸入層的確定度 (6)可以得到各輸入變量(因子)對(duì)輸出變量的影響比例，即輸入因子的貢獻(xiàn)率 (7)在模型可靠和準(zhǔn)確的條件下，把訓(xùn)練好的BP網(wǎng)絡(luò)模型的網(wǎng)絡(luò)權(quán)重取出來(lái)，運(yùn)用上面提到的方法，分別計(jì)算得出各輸入因子對(duì)粗紗CV值和粗紗單重的貢獻(xiàn)率，如下表1所示。對(duì)與粗紗CV值(R1)而言，長(zhǎng)度離散系數(shù)(X

18、6)、粗紗捻系數(shù)(X13)、纖維平均直徑(X3)為其影響作用最大的3個(gè)因素，貢獻(xiàn)率分別為20.7%、13.9%和10.3%。對(duì)粗紗單重(R2)來(lái)說(shuō)，對(duì)其影響最大的幾個(gè)參數(shù)是長(zhǎng)度離散系數(shù)(X6)、毛條毛粒(X10)、毛條回潮率(X1)，貢獻(xiàn)率分別為19.1%、18.1%和17.5%。表1 各輸入因子的貢獻(xiàn)率小五宋體，加黑 Tab. 1 Each input parameters contribution ratio %粗紗質(zhì)量毛條原料參數(shù)前紡工藝參數(shù)X1X2X3X4X5X6X7X8X9X10X11X12X13R11.96.110.37.94.120.78.77.43.35.96.33.513.9

19、R217.51.51.56.03.519.16.04.05.718.10.57.09.6表格用三線表25多元線性回歸對(duì)比評(píng)價(jià)作為比較,運(yùn)用多元線性回歸法(MLR)分別建立上述13個(gè)輸入?yún)?shù)與R1和R2間的多元線性回歸方程。由于這些原始數(shù)據(jù)的數(shù)量級(jí)相差很大,可能會(huì)造成回歸系數(shù)很小,為此需要對(duì)原始數(shù)據(jù)進(jìn)行當(dāng)量化處理,即把原始數(shù)據(jù)標(biāo)準(zhǔn)化到01區(qū)間。采用最小最大值的標(biāo)準(zhǔn)化,可以使數(shù)據(jù)在01區(qū)間上獲得良好的分布,如式(8)。 （8）將標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行多元線性回歸擬合,分別得到R1和R2的回歸方程,并經(jīng)顯著性檢驗(yàn),說(shuō)明2個(gè)方程都有顯著性。通過(guò)回歸可以看出，對(duì)粗紗CV值(R1)影響因素由大到小依次為：X1

20、3 > X6 > X3 > X5 > X7 > X8 > X10> X9 > X2 > X4 > X1 > X12 > X11；而對(duì)于粗紗單重(R2)來(lái)說(shuō)，依次為：X6 > X8 > X1 > X9 > X11 > X7 > X2 > X3 > X10> X13 > X4 > X5 > X12。顯然重要性和次序是不同的，表明各自變量間有交互或相關(guān)性。3 結(jié) 論結(jié)論應(yīng)是以正文中的實(shí)驗(yàn)或考察得到的現(xiàn)象、數(shù)據(jù)的闡述分析為依據(jù)，完整、準(zhǔn)確、簡(jiǎn)潔地指出以下內(nèi)容：

21、a. 由對(duì)研究對(duì)象進(jìn)行考察或?qū)嶒?yàn)得到的結(jié)果所揭示的原理及其普遍性；b. 研究中有無(wú)發(fā)現(xiàn)例外或本論文尚難以解釋和解決的問(wèn)題；c. 與先前已發(fā)表過(guò)的（包括他人和作者自己）研究工作的異同；d. 本論文在理論上和實(shí)用上的意義及價(jià)值；e. 進(jìn)一步深入研究本課題的建議。通過(guò)BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)，直接利用生產(chǎn)歷史數(shù)據(jù)，建立粗紗CV值、粗紗單重預(yù)測(cè)模型，以實(shí)現(xiàn)對(duì)粗紗加工和質(zhì)量的預(yù)報(bào)，所建模型的平均相對(duì)誤差都低于3%。采用未參與建模訓(xùn)練的樣本數(shù)據(jù)驗(yàn)證，其預(yù)報(bào)模型的預(yù)報(bào)結(jié)果與實(shí)測(cè)結(jié)果間的相關(guān)關(guān)系R2都高于0.95。利用所建立的模型對(duì)粗紗工序各輸入?yún)?shù)的重要性分析，將輸入?yún)?shù)重要性分成3個(gè)系列重要參數(shù)、較為重要參數(shù)

22、和不重要參數(shù)，具體結(jié)果如下：1) 對(duì)與粗紗CV值(R1)而言，重要參數(shù)為長(zhǎng)度離散系數(shù)(X6)、粗紗捻系數(shù)(X13)和纖維平均直徑(X3)，其貢獻(xiàn)率分別為20.7%、13.9%和10.3%。較為重要的影響因子(5%10%)依次為短毛率(X7)、直徑離散系數(shù)(X4)、毛條重量(X8)、前紡總并合次數(shù)(X11)、毛條含油率(X2)、毛條毛粒(X10)。不重要的參數(shù)(<5%)依次為纖維平均長(zhǎng)度(X5)、前紡總牽伸倍數(shù)(X12)、毛條重量不勻率(X9)、毛條回潮率(X1)；2)對(duì)粗紗單重(R2)來(lái)說(shuō)，重要參數(shù)為長(zhǎng)度離散系數(shù)(X6)、毛條毛粒(X10)和毛條回潮率(X1)，其貢獻(xiàn)率分別為19.1%、

23、18.1%和17.5%。較為重要的影響因子(5%10%)依次為粗紗捻系數(shù)(X13)、前紡總牽伸倍數(shù)(X12)、直徑離散系數(shù)(X4)、短毛率(X7)、毛條重量不勻率(X9)。不重要的參數(shù)(<5%)依次為毛條重量(X8)、纖維平均長(zhǎng)度(X5)、毛條含油率(X2)、纖維平均直徑(X3)、前紡總并合次數(shù)(X11)。對(duì)比多元線性回歸分析，對(duì)粗紗CV值來(lái)說(shuō)，最重要的3個(gè)影響因子都是長(zhǎng)度離散系數(shù)(X6)、粗紗捻系數(shù)(X13)和纖維平均直徑(X3)。對(duì)粗紗單重而言，采用BP網(wǎng)絡(luò)權(quán)重法得出最重要的3個(gè)參數(shù)為長(zhǎng)度離散系數(shù)(X6)、毛條毛粒(X10)和毛條回潮率(X1)。而多元回歸分析得出的是長(zhǎng)度離散系數(shù)(X

24、6)、毛條重量(X8)和毛條回潮率(X1)，兩者略有差異，可見(jiàn)兩種參數(shù)重要性評(píng)價(jià)具有較好的一致性，而且BP網(wǎng)絡(luò)法可以量化。粗紗工序輸入?yún)?shù)重要性定量評(píng)價(jià)法，通過(guò)運(yùn)用歷史數(shù)據(jù)的BP網(wǎng)絡(luò)建模技術(shù)，找出了各參數(shù)對(duì)其質(zhì)量的重要程度，為合理調(diào)配粗紗工藝，達(dá)到最優(yōu)的粗紗質(zhì)量提供了參考。參考文獻(xiàn)(五號(hào)黑體，1.5倍行距)1 劉曾賢.精毛紡前紡各過(guò)程理論不勻率指數(shù)的研討J.毛紡科技, 1999(6): 5-12.（小五宋體） LIU Cengxian. A study on the theoretical irregularity index for the preparatory passages of w

25、orsted spinningJ. Wool Textile Journal，1999（6）：5-12. 2 DONG Kuiyong, YU Weidong. A worsted yarn virtualproduction system based on BP neural networkJ.Journal of Donghua University:Eng Ed, 2004, 21(4): 34-37.（小五 Rome）3 于偉東,楊建國(guó).紡織工業(yè)中的虛擬加工技術(shù)與模式J.紡織導(dǎo)報(bào), 2005(7): 10-16, 22. YU Weidong, YANG Jianguo. Virtua

26、l manufacturing technology and models for textile industryJ. China Textile Leader, 2005(7): 10-16, 22.4 David ERumelhart, Geoffrey EHinton, Ronald JWilliams.Learning representations by back-propagating errors J.Nature, 1986(323): 533-536.5 Hecht-Nielson R. Theory of the back-propagation neural netwo

27、rk C/IEEE. International Joint Conference on Neural networks. Washington: s.n. 1989:53.6 LV Z J, XIANG Q, YIN X G,et al. Aknowledge-reuse based intelligent reasoning model for worsted process optimizationJ. Journal of Donghua University: Eng Ed,2006,23(1):4-7.7 王秀坤,張曉峰.用一組單輸出的子網(wǎng)絡(luò)代替多輸出的BP網(wǎng)絡(luò)J.計(jì)算機(jī)科學(xué), 2

28、001, 28(10): 61-63. WANG Xiukun, ZHANG Xiaofeng. A new architecture of neural networks array replacing of a multiple outputs BP model networksJ. Computer Science, 2001, 28(10): 61-63.8 高大啟.有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究J.計(jì)算機(jī)學(xué)報(bào), 1998, 21(1): 80-86. GAO Daqi. On structures of supervised linear basis function

29、feed forward three-layered neural networksJ. Computer Science, 1998, 21(1): 80-86.9 吳輝，錢(qián)國(guó)坻，華兆哲，等. 新型堿性果膠酶用于棉針織物精練的工藝優(yōu)化J. 紡織學(xué)報(bào)，2008，29（5）：59-63. WU Hui，QIAN Guodi，HUA Zhaozhe，et al. Optimization of scouring of knitted cotton fabrics with a new-type alkaline pectinaseJ. Journal of Textile Research, 20

30、08，29（5）：59-63.10 Wu C T，McCullough R LConstitutive relationships for heterogeneous materials C/Holister G SDevelopments in Composite MaterialsLondon：Applied Science Publishers Ltd，1997：119-187參考文獻(xiàn)格式       參考文獻(xiàn)的數(shù)目應(yīng)大于10篇，且盡量少引用圖書(shū)類(lèi)(M類(lèi))文獻(xiàn),多引用近兩年來(lái)在國(guó)內(nèi)外連續(xù)出版物上刊登的論文文獻(xiàn)。若參考過(guò)本刊論文的

31、請(qǐng)勿忘標(biāo)注在參考文獻(xiàn)中。參考文獻(xiàn)執(zhí)行中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)GB 77142005文后參考文獻(xiàn)著錄規(guī)則，只列主要的，未公開(kāi)發(fā)表的資料勿引用，著錄格式采用順序編碼制。       即日起,凡參考文獻(xiàn)為中文類(lèi)的（包括專(zhuān)著、期刊、報(bào)紙、論文集、專(zhuān)利、標(biāo)準(zhǔn)、電子文獻(xiàn)等）要有一一對(duì)應(yīng)的英文內(nèi)容，即需將各著錄項(xiàng)目均翻譯成英文，且必須按原發(fā)期刊英文形式標(biāo)注，如原發(fā)刊物不含英文題目，自行翻譯時(shí)請(qǐng)注意其準(zhǔn)確性；若參考文獻(xiàn)為非中文類(lèi)的（如英文），則無(wú)需翻譯。英文內(nèi)容要另起一行標(biāo)注。要求英文姓全部大寫(xiě)?！臼纠?1 吳輝，錢(qián)國(guó)坻，華兆哲，等. 新型堿性果膠酶

32、用于棉針織物精練的工藝優(yōu)化J. 紡織學(xué)報(bào)，2008，29（5）：59-63.     WU Hui，QIAN Guodi，HUA Zhaozhe，et al. Optimization of scouring of knitted cotton fabrics with a new-type alkaline pectinaseJ. Journal of Textile Research, 2008，29（5）：59-63. 1）文后以“參考文獻(xiàn)：”(左頂格)作為標(biāo)識(shí)，參考文獻(xiàn)表按文中引用的先后順序編碼依次排列，頂格編排，編碼用阿拉伯

33、數(shù)字著錄，加方括號(hào)、不用標(biāo)點(diǎn)，后空一字，按著錄要求規(guī)定依次著錄，回行時(shí)與首行著錄項(xiàng)齊平。每條文獻(xiàn)單獨(dú)排，最后均以“.”結(jié)束。2）文中引用的參考文獻(xiàn)必須在正文中有標(biāo)注，如2，3-5不宜寫(xiě)成345等。3）題名、摘要、標(biāo)題中不得標(biāo)注參考文獻(xiàn)，文末按引用順序著錄。作者一律采用姓前名后的方式著錄(外文作者名應(yīng)縮寫(xiě))，作者間用“，”間隔，作者少于3人應(yīng)全部寫(xiě)出，3人以上只列出前3人，后加“等”或“et al”。4）文獻(xiàn)的作者，期刊名的縮寫(xiě)一律不加縮寫(xiě)點(diǎn)，縮寫(xiě)的單詞要國(guó)際通用的縮寫(xiě)方法，不可隨意縮寫(xiě)。5）多次引用同一著者的同一文獻(xiàn)時(shí)，在正文中標(biāo)注首次引用的文獻(xiàn)序號(hào)，并在序號(hào)的“”外著錄引文頁(yè)碼，如3123。

34、6）凡是從期刊中析出的文獻(xiàn)，應(yīng)在刊名之后注明其年份、卷、期、部分號(hào)、頁(yè)碼。如2006，27（8）：25-28.如查不到卷數(shù)僅有期數(shù)，則寫(xiě)成2006（8）：25-26。7）凡是從報(bào)紙中析出的文獻(xiàn)，應(yīng)在報(bào)紙名后著錄其出版日期與版次。如2000-03-14（1）8）題名之后如有其他題名信息，包括副題名、多卷書(shū)的分卷書(shū)名、卷次、冊(cè)次等，則之間用“：”隔開(kāi)。如東華大學(xué)學(xué)報(bào)：自然科學(xué)版，世界出版業(yè)：美國(guó)卷等。  著錄格式例舉如下。 例1  專(zhuān)著(圖書(shū)、學(xué)位論文，技術(shù)報(bào)告，多卷書(shū)等)序號(hào) 主要責(zé)任者. 題名：其他題名信息文獻(xiàn)類(lèi)型標(biāo)志（電子文獻(xiàn)必備，其他文獻(xiàn)任選）.其他

35、責(zé)任者（任選）. 版本項(xiàng). 出版地: 出版者, 出版年：引文頁(yè)碼引用日期（聯(lián)機(jī)文獻(xiàn)必備，其他電子文獻(xiàn)任選）.獲取和訪問(wèn)路徑.（聯(lián)機(jī)文獻(xiàn)必備）.1 姚穆,周錦芳,黃淑珍,等. 紡織材料學(xué)M. 2版.北京: 中國(guó)紡織出版社, 1997：147.2 李慧敏.面向電子化量身定制服裝eMTM三維人體測(cè)量數(shù)據(jù)庫(kù)德研究與實(shí)現(xiàn)D.上海：東華大學(xué)，2005.3  Hinton E, Owen D RFinite Element Programming MNew York：Academik Press Inc，1977：124-140例2  專(zhuān)著中的析出文獻(xiàn)（論文集、匯編等）序號(hào) 析出文獻(xiàn)主要責(zé)任者.析出文獻(xiàn)題名文獻(xiàn)類(lèi)型標(biāo)志 . 析出文獻(xiàn)其他責(zé)任者/專(zhuān)著主要責(zé)任者.專(zhuān)著題名：其他題名信息. 版本項(xiàng). 出版地: 出版者, 出版年:析出文獻(xiàn)的頁(yè)碼引用日期.獲取和訪問(wèn)路徑.4 馬克思.關(guān)于工資、價(jià)格和利潤(rùn)的報(bào)告禮記M/馬克思，恩格斯.馬克思恩格斯全集：第44卷.北京：人民出版社，1982：505.5 胡伯陶.天然彩色棉的狀況和產(chǎn)業(yè)發(fā)展的研究C/ 劉樹(shù)梅，尹耐冬，李瑞萍，等. 第九屆全國(guó)花式紗線及其織物技術(shù)進(jìn)步研討會(huì)論文集. 北京: 中