转杯纺纱过程是个复杂的生产过程,影响成纱质量的因素众多。在用神经网络预测成纱质量时,如果将各种影响因素都包含进输入参数中,会造成输入参数过多,加重了神经网络的训练负担,非但不能提高预测精度,反而会降低神经网络预测的性能。而现实中纺纱厂的样品数是有限的,也限制了输入参数的数量,因此优选输入参数用较少的数据建立神经网络模型来准确的预测成纱质量就显得很有必要。现今优选输入参数的方法有:根据经验选择输入参数,受人的主观因素影响较大,无法体现出各输入参数对于输出参数影响的重要性程度;某种数学方法选择输入参数,由于不同的数学方法侧重不同,使得优选结果有失公正。本文采用了四种神经网络参数优选方法:(1)灰色关联分析法,它的基本内容,是根据诸因素行为观测序列的几何接近程度,分析和确定它们之间的影响程度或对目标要素的贡献程度;(2)基于输入对输出影响的数据优选,分析输入对输出的影响程度,分析输入大小变化对输出大小变化的影响;(3)基于专家知识的数据优选,分析输入输出相关关系与专家知识的吻合程度;(4)模糊推理优选法,基于人对大小的主观认识,用模糊评语界定输入参数大小变化对输出参数大小变化的影响程度。本文首先从纺纱原料、纺纱设备和纺纱工艺三方面确定对成纱质量影响较大的17个输入参数,之后进行纤维性能测试,转杯纺纱试验和成纱质量测试,获得神经网络输入输出参数数据;再分别用上述四种优选方法处理数据,得到四个排序结果,然后用模糊推理法将四种排序结果融合,得出一个对输出参数影响程度由大到小的优化排序。输入参数排序得出后,针对每一个成纱质量指标建立BP神经网络模型,先用模型验证优选结果的有效性,待有效性得到证明后,用排序在前1-7位的参数作为神经网络的输入参数预测转杯纺纱成纱质量。结果表明,神经网络的预测结果相当接近于实测结果,表明输入参数优选方法是有效的,神经网络可用于预测转杯纺成纱质量。