|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: | پیش بینی عملکرد (درزه ای) سرطاقه پارچه های پشمی تجاری با استفاده از رگرسیون لگاریتم چند گانه و شبکه های عصبی مصنوعی |
| عنوان انگلیسی مقاله: | Predicting Seam Performance of Commercial Woven Fabrics Using Multiple Logarithm Regression and Artificial Neural Networks |
| برای دانلود رایگان مقاله انگلیسی روی عنوان انگلیسی مقاله کلیک نمایید.برای خرید ترجمه آماده ورد، روی عنوان فارسی مقاله کلیک کنید. | |
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار مقاله | 2009 |
| تعداد صفحات مقاله انگلیسی | 10 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی نساجی |
| گرایش های مرتبط با این مقاله | پوشاک، فناوری نساجی، شیمی نساجی و علوم الیاف، ساختارهای نانو لیفی و منسوجات صنعتی |
| مجله مربوطه | مجله پژوهشی نساجی (Textile Research Journal) |
| دانشگاه تهیه کننده | موسسه پارچه و لباس، دانشگاه پلی تکنیک هنگ کنگ، کولوون |
| کلمات کلیدی این مقاله | عملکرد درزه، پارچه های پشمی تجاری، رگرسیون لگاریتم چند گانه، شبکه های عصبی مصنوعی |
| نشریه | Sagepub |
| مشخصات و وضعیت ترجمه مقاله (Word) | |
| تعداد صفحات ترجمه مقاله | 16 صفحه با فرمت ورد، به صورت تایپ شده و با فونت 14 – B Nazanin |
| ترجمه اشکال | ترجمه توضیحات داخل و زیر اشکال و جداول انجام شده و اشکال فایل ترجمه کپی شده است. |
| فرمول ها و محاسبات | تمامی فرمول ها و محاسبات به صورت عکس در فایل ترجمه درج شده است. |
فهرست مطالب:
چکیده
شبکه های عصبی مصنوعی (ANNs)
آزمایش
تهیه مجموعه داده های آموزشی و آزمایشی
پارامتر های شبکه های عصبی
روش رگرسیون آماری
نتایج و بحث
نتیجه گیری
بخشی از ترجمه:
در این مطالعه روش شبکه عصبی مصنوعی بر اساس الگوریتم پس انتشار با شیوه تجزیه وزنی و رگرسیون چندگانه با روش رایج لگاریتم برای پیش بینی عملکرد درزه پارچه های بافته شده بر اساس کارایی سرطاقه، چروکیدگی آن و فلوتاسوین استفاده شد.
از این رو مدل ANN بسیار صحیح تر ازMLR بود و خطای پیش بینی ANN علی رغم وجود تنها یک مجموعه داده کوچک پایین بود. با این حال، تفاوت در خطاهای پیش بینی ایجاد شده توسط هر دو مدل به طور معنی داری بالا نبود.پی برده شد که مدل های MLR را می توان سریع تر ایجاد کرد، این مدل ها شفاف تر بوده و کم تر با مقدار حداقل داده های موجود برازش دارند. بنابراین، هر دو مدل به طور کارامد عملکرد درزه سرطاقه پارچه های پشمی را پیش بینی کرد.
بخشی از مقاله انگلیسی:
In cut and sewn apparel products, seams are formed when two or more pieces of fabric are held together by stitches. As the seam is one of the basic requirements in the construction of apparel, seam quality has great significance in apparel products. Consumers evaluate the seam quality of a particular fabric mainly based on the seam performance of a particular fabric sewn by a particular sewing thread. Many previous studies [1–4] have shown that seam performance of a particular fabric depends on the interrelationship of fabrics, threads, stitch type, seam type, and sewing conditions. Sewing conditions include the needle size, stitch density, and the appropriate operation and maintenance of the sewing machines. The seam perform ance of a particular fabric mainly depends on three aspects: seam puckering, seam flotation, and seam efficiency. Seam puckering is used to determine the seam appearance of fabrics sewn by sewing thread under a particular sewing condition [5,6]. Seam flotation is used to determine the degree of deformation along the seam line because of the interaction of the shear load (affecting the fabric through the sewing thread) and fabric extension in the area of the seam [5,7]. Seam efficiency is used to assess the durability of the seam, which is the ratio of seam strength to fabric strength of the fabrics sewn [8,9]. These three parameters are currently adapted by the apparel industry to assess the seam performance of commercial woven fabrics. Generally, modeling and prediction of seam performance of fabric based on fabric properties and sewing parameters have been considered by many researchers. Over the years, one of the first approaches has been the use of mathematical models. In this category, studies such as the work of Germanova and Petrov [10], Fan et al. [11], Gersak [5] and Stylios [12] had to predict seam puckering and seam efficiency. In addition, statistical regression models for this purpose have been used by some researchers, namely Juciene and Dobilaite, Mariolis and Dermatas, and Koehl et al. [13–15]. The limitation of mathematical and statistical regression models was described in previous works [16,17]. Some branches of artificial intelligence (AI) called artificial neural networks (ANNs), genetic algorithm, machine learning and fuzzy set theory presented attractive alternatives for predictive modeling. In this category, studies such as Park and Kang [18] evaluating the shape parameters of seam puckering using a neurofuzzy approach, and Pavlinic et al. [19] predicting seam quality using machine learning were conducted. Other studies [20,21] gave good predictive performance using a hybrid approach in a particular area such as clothing comfort. However, ANN algorithms have been proved successful by many researchers for modeling in various textile and clothing areas [11,17,22–27]. This is a reason why ANN and multiple regression models were investigated in our study. There is no previous work determining the suitable modeling tool for predicting seam performance based on various fabric properties. In this study, we aimed to compare the capability of two algorithms, statistical regression and ANN, for predicting the seam performance of commercial woven fabrics based on seam puckering, seam flotation and seam efficiency in order to identify a suitable modeling method of seam performance which is meaningful to textile and clothing industries. Artificial Neural Networks (ANNs) ANNs represent a set of very powerful mathematical techniques for modeling, control and optimization [28]. ANN is a powerful data modeling tool that is able to capture and represent each kind of input-out relationship [29]. A neural network is composed of simple elements called “neuron” or “processing element” operating parallel, which is inspired by biological neuronal systems. In nature, the network function is determined largely by weighted connection between the processing elements [30]. The weights of connections contain the “knowledge” of the network [28]. A neural network is usually adjusted or trained so that a particular input leads to a specific output [30]. The process of training is adjusting these weight values to slide down the prediction error [28]. Among the various kinds of algorithms for training neural networks, back propagation is the most widely used. This algorithm was detailed by Patterson [31] and Schalkoff [32].
|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: | پیش بینی کارایی درزه ای پارچه های پشمی تجاری با استفاده از رگرسیون لگاریتم چند گانه و شبکه های عصبی مصنوعی |
| عنوان انگلیسی مقاله: | Predicting Seam Performance of Commercial Woven Fabrics Using Multiple Logarithm Regression and Artificial Neural Networks |
| برای دانلود رایگان مقاله انگلیسی روی عنوان انگلیسی مقاله کلیک نمایید.برای خرید ترجمه آماده ورد، روی عنوان فارسی مقاله کلیک کنید. | |
