75、纺织瑕疵分类与企业集群知识传播研究-优快云博客

本文链接：https://blog.youkuaiyun.com/delta/article/details/153757648

纺织瑕疵分类与企业集群知识传播研究

在工业生产和企业管理领域，纺织瑕疵分类和企业集群知识传播是两个重要的研究方向。前者对于提高纺织品质量和生产效率至关重要，后者则对企业集群的创新和发展有着深远影响。下面将分别介绍基于小波重构和BP神经网络的纺织瑕疵分类方法，以及基于小世界网络的企业集群知识传播模型。

基于小波重构和BP神经网络的纺织瑕疵分类

在纺织生产过程中，瑕疵的检测和分类是保证产品质量的关键环节。传统的检测方法往往效率低下且准确性不高，而基于小波重构和BP神经网络的方法为解决这一问题提供了新的思路。

BP神经网络缺陷分类原理

BP神经网络是一种多层、全连接的前馈网络。它由输入层、输出层和隐藏层组成。通过输入向量和对应的目标向量对网络进行训练，BP神经网络可以学习节点之间的内部关系，从而将训练数据组织成不同的模式类别。这种内部表示可以应用于训练过程中未使用的输入，使得网络具有一定的泛化能力。

在本次研究中，设计了一个两层的BP神经网络。输入层有32个神经元，对应从瑕疵分割区域得到的32个直方图变量；输出层有一个神经元，输出值为0或1，表示“孔洞”或“油污”类型；隐藏层有33个神经元，这一数量是通过测试确定的。网络采用对数S形转移函数，其输出范围非常适合学习输出的双极值（0和1）。训练函数是基于动量和自适应学习率的梯度下降函数，连接权重和阈值的学习算法是基于梯度下降的动量学习算法。

其网络结构如下：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A([输入层(32)]):::process --> B([隐藏层(33)]):::process
    B --> C([输出层(1)]):::process

实验结果

实验共采集了32个样本，包括两种类型的缺陷图像（每种类型16张）。所有图像都经过了特定的处理，使用Daubechies小波对测试样本进行二级分解，在平滑子图像中提取缺陷，然后进行分割以确定缺陷区域，并计算其直方图，压缩到32个级别。每种类型的4张图像用于训练BP网络，其余12张图像的32维直方图特征输入到BP网络进行识别。分类结果如下表所示：
| 缺陷类型 | 正确分类率 |
| ---- | ---- |
| 孔洞 | 91% |
| 油污 | 100% |

实验结果表明，该方法具有较高的识别正确率和检测精度，可以应用于实际的纺织品检测和分类。

基于小世界网络的企业集群知识传播模型

在企业集群中，知识的传播对于企业的创新和发展至关重要。小世界网络模型为研究企业集群知识传播提供了一个有效的工具。

小世界网络模型构建

为了深入了解企业集群网络中知识的传播特性，构建了一个具有N个节点的小世界网络。每个节点代表一个个体，如企业集群的员工；每条链接表示知识可以传播到其他个体的连接。个体只有两种离散状态：“传播者”和“无知者”。

小世界网络的构建方法如下：
1. 从规则图开始，考虑包含N个节点的最近邻耦合网络，每个节点与相邻两侧的k/2个节点相连，k为偶数。
2. 随机添加边：以概率p在随机选择的一对节点之间添加一条边，且两个不同节点之间最多只有一条边，每个节点不能与自身相连。

这种模型反映了社会关系网络的一个特点，即大多数人的朋友是同事或邻居，同时也存在一些远距离的朋友，对应于通过添加边产生的远程连接。

初始传播模型

为了便于建模，做出以下合理假设：
1. 组织中的人数为N，不考虑成员的重新部署和离开，以天为时间单位。
2. 网络成员只有两种类型：知识传播者和无知者，分别用i(t)和s(t)表示t时刻这两种成员占总成员数N的比例，且i(t) + s(t) = 1。
3. 知识传播需要通过组织内成员的交流来实现，假设知识拥有者的交流成员数为k，在网络中k表示网络节点的平均度，为了方便研究，将k视为常数。
4. 由于个体员工素质的差异，导致部分人没有很好地掌握知识或遗忘了知识，这些人会变成无知者，需要重新学习。

根据以上假设，知识传播者的数量减少量为$N\mu i(t)$，得到以下方程：
[
\begin{cases}
\frac{di}{dt} = \lambda k i(t)(1 - i(t)) - \mu i(t) \
i(0) = i_0
\end{cases}
]
方程的解为：
[
i(t) =
\begin{cases}
\frac{1}{\lambda - \mu} [(\lambda - \mu) + (\lambda - \frac{\lambda - \mu}{i_0}) e^{-(\lambda - \mu)kt}], & \lambda \neq \mu \
\frac{1}{1 + \frac{1 - i_0}{i_0} e^{-kt}}, & \lambda = \mu
\end{cases}
]
令$\gamma = \lambda k$，$\delta = \frac{\gamma}{\mu}$，其中$\gamma$表示每个知识传播者每天平均有效传播的人数，$\delta$表示每个知识传播者在一次传播时间内有效传播的人数，称为交换数。

当$t \to \infty$时，
[
i(\infty) =
\begin{cases}
1 - \frac{1}{\delta}, & \delta > 1 \
0, & \delta \leq 1
\end{cases}
]
当$i = \frac{1}{2}(1 - \frac{1}{\delta})$时，$\frac{di}{dt}$达到最大值，此时$t_1 = \frac{1}{k(\lambda - \mu)} \ln(\frac{\lambda - \mu}{\lambda i_0}(1 - \frac{1}{\delta}) - 1)$。

交换数$\delta = 1$是一个阈值。当$\delta < 1$时，知识传播者的比例逐渐减小，最终趋于零，不会出现知识传播的峰值；当$\delta > 1$时，知识传播者的极限比例是一个常数，其值由$\delta$决定，且随着$\delta$的增大而增大。因此，企业集群可以通过降低遗忘率、提高网络平均度等方式来增加$\delta$值，从而促进知识的传播。

纺织瑕疵分类与企业集群知识传播研究

二次传播模型

在实际的企业集群中，情况更为复杂。有些员工可能认为某些知识无用而遗忘，也不会传播这些知识，我们称这类人为“免疫者”。同时，如果知识传播者遇到知识免疫者或其他知识传播者，可能会认为大家都已有该知识，从而以一定概率成为知识免疫者。

基于此，做出以下假设：
1. 员工因知识无用而遗忘且不传播知识，这类人被称为免疫者。
2. 若知识传播者遇到知识免疫者或其他知识传播者，没人对其知识感兴趣，或认为所有人都已有该知识，那么该知识传播者会以一定概率成为知识免疫者。

随机重连每条边，若节点a（知识传播者）遇到节点b，当节点b是免疫者时，b以概率λ成为知识传播者；当节点b是知识传播者或知识免疫者时，a以概率μ成为知识免疫者。μ的值由知识的可用性决定，知识对人们越有用，μ越小。

在假设的集群中，知识传播者、无知者和免疫者所占比例分别记为$i(t)$、$s(t)$、$r(t)$，它们的关系为：
[
i(t) + s(t) + r(t) = 1
]

它们随时间的演化关系如下：
[
\begin{cases}
\frac{dr(t)}{dt} = \mu N i(t) \
\frac{di(t)}{dt} = \lambda k s(t) i(t) - \mu i(t) \
\frac{ds(t)}{dt} = - \lambda k s(t) i(t) \
i(0) = i_0, s(0) = s_0
\end{cases}
]

在相平面s - i中讨论该方程。定义定义域$D = {(s, i) | s \geq 0, i \geq 0, s + i \leq 1}$。从上述方程可得到：
[
\begin{cases}
\frac{di}{ds} = \frac{\lambda k s i - \mu i}{-\lambda k s i} \
i|_{s = s_0} = i_0
\end{cases}
]
令$\delta = \frac{\gamma}{\mu}$（其中$\gamma = \lambda k$），求解上述方程可得：
[
i = i_0 + \frac{1}{\delta} \ln \frac{s}{s_0} - \frac{s - s_0}{\delta}
]

当$t \to \infty$时，定义$s(t)$、$i(t)$和$r(t)$的极限值分别为$s_{\infty}$、$i_{\infty}$和$r_{\infty}$。由方程可知，$\frac{ds}{dt} \leq 0$，所以$s(t)$随时间t递减，但$s(t) \geq 0$，因此$s_{\infty}$存在；$\frac{dr}{dt} \geq 0$，所以$r(t)$随时间t递增，但$r(t) \leq 1$，所以$r_{\infty}$存在；又因为$i(t) + s(t) + r(t) = 1$，所以$i_{\infty}$存在。

假设存在常数$\epsilon > 0$，使得$i_{\infty} = \epsilon > 0$，当t足够大时，由$\frac{dr}{dt} = \mu N i(t)$可得$\frac{dr}{dt} > \mu \epsilon$，这将导致$r_{\infty} = \infty$，与$r_{\infty}$存在矛盾，所以$i_{\infty} = 0$。

令$i = 0$，从上述方程可得到关于$s_{\infty}$的函数：
[
i_0 + \frac{1}{\delta} \ln \frac{s_{\infty}}{s_0} - \frac{s_{\infty} - s_0}{\delta} = 0
]
该方程在$(0, \frac{1}{\delta})$内有唯一解。

若$\frac{1}{\delta} > s_0$，则$i(t)$先增加，当$s = \frac{1}{\delta}$时，$i(t)$达到最大值$i_{max} = i_0 + \frac{1}{\delta} \ln \frac{1}{\delta s_0} - \frac{1 - \delta s_0}{\delta}$，然后$i(t)$减小并趋于零，$s(t)$单调减小到$s_{\infty}$。

$\frac{1}{\delta}$是一个阈值，当$\frac{1}{\delta} > s_0$时，知识会传播。即当$s_0$固定时，要使知识传播，需增大$\delta$值，而$\delta = \frac{\lambda k}{\mu}$，这意味着当人们的接受能力更强（$\mu$更小）、企业集群的连接度$\lambda$更大时，$\delta$会更大。

整个企业集群知识传播的过程可总结如下：当$\frac{1}{\delta} > s_0$时，系统最初只有少数传播者，其余为无知者，知识免疫者数量为0。知识开始传播后，无知者数量迅速减少，传播者数量急剧增加，达到峰值后开始下降。最终，传播者数量变为0，系统中只有大量免疫者和少数无知者。

其传播过程的流程图如下：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A([初始状态：少数传播者，多数无知者，0免疫者]):::process --> B([知识传播开始]):::process
    B --> C([无知者数量减少，传播者数量增加]):::process
    C --> D([传播者数量达到峰值]):::process
    D --> E([传播者数量下降]):::process
    E --> F([传播者数量为0，大量免疫者，少数无知者]):::process