ارائه ابزار محاسباتي نرم مبتني بر مدل‌هاي تركيبي به‌منظور بهبود پيش‌بيني كيفيت منسوجات توليدي در صنعت پوشاك

Proposing a soft hybrid computing model to improve the prediction of the quality of seams in garments

ب شبكه‌هاي عصبي مصنوعي ابزارهاي پيش‌بيني دقيقي براي دامنه وسيعي از مسائل هستند كه نياز به داده‌هاي زياد براي حصول نتايج دقيق، كاربرد آن‌ها را با محدوديت مواجه كرده است. اين درحالي است كه فراهم آوردن داده‌هاي مورد نياز به منظور ارائه پيش‌بيني‌هاي دقيق با شبكه عصبي مصنوعي در صنعت نساجي، اصولاً بسيار هزينه‌بر و زمان‌بر است. از اين رو، استفاده از روش‌هايي كه قادر به ارائه پيش‌بيني با تعداد داده‌هاي قابل حصول كم هستند، در اين‌گونه از صنايع مناسب‌تر‌ و كارآمدتر خواهد بود. در اين مقاله، از تركيب روش‌هاي شبكه‌هاي عصبي مصنوعي و رگرسيون فازي به ارائه يك مدل هوشمند نرم به منظور پيش‌بيني كيفيت درز پوشاك توليدي پرداخته شده است. ايده اصلي روش پيشنهادي استفاده از مزاياي محاسبات نرم مجموعه‌هاي فازي به‌منظور حصول نشخه‌اي بهبوديافته از شبكه‌هاي عصبي مصنوعي در شرايط داده‌هاي قابل حصول كم است. نتايج بدست آمده از بكارگيري روش پيشنهادي در پيش‌بيني كيفيت درز پوشاك، بيانگر عملكرد بالاتر اين روش درتقابل با مدل‌هاي تشكيل‌دهنده خود و همچنين ساير روش‌هاي تركيبي موجود است.

For training the artificial neural network to accurately predict a specific parameter, several experimental results are generally needed which makes it costly and time-consuming. Hence, there is a need for developing other methods that can accurately predict based on a small number of experimental data. In this paper, a combination of artificial neural network and fuzzy regression methods was employed to develop a soft intelligent model for predicting the quality of seams in garments. The main idea of the proposed method is to simultaneously use the advantages of soft computing of fuzzy sets to achieve improved results from artificial neural networks based on a relatively small ex-perimental dataset. The results obtained from the proposed model showed its higher performance in comparison to its constituent models as well as other existing combinational methods.