Neural networks are used to predict the drape coefficient (DC) and circularity (CTR) of many different kinds of fabrics. The neural network models used were the multilayer perceptron using backpropagation (BP) and the radial basis function (RBF) neural network. The BP method was found to be more effective than the RBF method but the RBF method was the fastest when it came to training. Comparisons of the two models as well as comparisons of the same models using different parameters are presented. It was also found that prediction for CIR was less accurate than for DC for both neural network architectures

چکیده

 شبکه­ های عصبی، برای پیش­بینی ضریب ریخت (DC) و مدوربودن (CIR) انواع مختلف پارچه مورد استفاده قرار می­گیرند. مدل­های شبکه عصبی به کار رفته، پرسپترون چندلایه با استفاده شبکه عصبی تابع پایه شعاعی (RBF) و پس انتشار (BP) بودند. دریافته شد که روش BP، کارامدتر است، اما روش RBF در زمان آموزش سریعتر عمل می­کند. مقایسه این دو مدل و نیز مقایسه مدل­های مشابه با استفاده از پارامترهای مختلف ارائه می­شود. دریافته شد که در ساختارهای شبکه عصبی، پیش ­بینی CIR نسبت به DC دقت کمتری دارد.

1- مقدمه

خاصیت ریخت، مهمترین ویژگی پارچه در صنایع پارچه بافی مخصوص پوشاک و برخی کاربردهای پارچه­بافی صنعتی است. این ویژگی منحصر به فرد پارچه، بسیار پیچیده است و برای پیش­ بینی ریخت پارچه در طراحی و ساخت به کمک رایانه بسیار مفید است...