基于隐层改进的BP网络在织物染色配色中的应用研究

摘要

进年来织物配色理论发展迅速，而随着计算机技术的普及及深入，配色与计算机技术相结合是适应现代化生产的必然趋势。本文针对传统的BP网络在织物染色配色中的缺点，提出了一种参考隐层输出的改进算法，建立了一个计算精度更高、收敛速度更快的计算机配色网络模型。 本文从色度学的角度分析了织物染色配色原理及色差产生的原因。目前计算机配色技术的理论基础是Kubelka-Munk理论，由此发展起来的配色方法有两种：三刺激值配色和全光谱配色，这两种配色方法都取得了很好的效果，但是因为三刺激值配色法只能求解三种染料的配色、全光谱配色法不能很好地解决K/S值与浓度之间的非现行关系，所以这两种典型的配色方法不能广泛应用与织物的染色配色。 人工神经网络以其自学习自适应的特点，以及并行分布式存储、可以任意逼近复杂的非线性关系的优势，深受各个生产领域的欢迎。而在多种人工神经网络模型中，最值得研究应用的就是BP神经网络，即误差反向传播网络，通过数据的正向传输和误差的反向传播来完成训练学习，从而调整权值阈值以达到我们预期的目的。 尽管BP网络有强大的非线性处理优势，但是仍有局限性：容易陷入局部最小点、收敛误差较大及泛化能力不强等，因此，本文提出了一种基于隐层改进的BP算法，即，将隐层的输出和输入层的输出同时作为隐层的输入，进而更精确地训练网络降低误差，并用MATLAB仿真实现，分别针对深色、中色和浅色不同色系的样本数据进行训练，并用训练后的神经网络模型对织物配色配方进行预测，通过仿真浓度输出值的对比，从训练的速度和精度进行分析，结果表明，基于隐层改进的BP网络性能较传统的BP网络有明显的提高，从而为计算机配色及其理论在织物染色配色中的应用提供了一个新的参考。

目录

文摘

英文文摘

声明

第一章概述

1.1概述

1.2计算机配色系统

1.2.1计算机配色原理

1.2.2计算机配色的途径

1.2.3计算机配色的历史与现状

1.3本课题主要研究的内容及要解决定的问题

第二章色度学原理与织物染色配色

2.1色度学基础

2.1.1三基色原理

2.1.2 HLS(色相、亮度、饱和度)原理

2.2颜色的三刺激值

2.2.1 CIE色度图

2.2.2 CIE-RGB系统与CIE-XYZ系统

2.2.3三刺激空间和色度图

2.3颜色的混合与织物色差分析

2.4传统的织物染色配色方法

2.5计算机配色方法

2.6本章小结

第三章人工神经网络

3.1人工神经网络发展简史

3.2人工神经元

3.3人工神经网络的学习规则

3.3.1有导师学习

3.3.2无导师学习

3.3.3强化学习

3.4人工神经网络的分类及特点

3.5人工神经网络的应用

3.5.1模式识别

3.5.2信号处理

3.5.3自动控制

3.5.4人工智能

3.5.5优化计算

3.5.6通信方面

3.6本章小结

第四章BP神经网络

4.1 BP神经元和BP网络基本原理

4.1.1正向传播

4.1.2误差的反向传播

4.2 BP神经网络模型

4.3 BP网络的学习算法

4.4 BP网络学习算法的比较

4.5 BP神经网络的局限性

4.6本章小结

第五章参考隐层输出的BP神经网络改进算法及MATLAB仿真实验结果分析

5.1参考隐层输出的BP神经网络改进算法

5.2 BP网络结构的确定

5.2.1输入输出层节点数的确定

5.2.2隐层层数的确定

5.2.3隐层节点数的确定

5.2.4传输函数的选择及学习率的确定

5.3 Matlab仿真平台

5.4样本数据的获取及初始化

5.5参考隐层输出的BP神经网络MATLAB仿真实验及结果分析

5.1.1虹光深三元三拼色的仿真结果

5.1.2极品中三元三拼色的仿真结果

5.1.3京仁浅三元三拼色的仿真结果

5.6本章小结

第六章总结

参考文献

攻读学位期间的研究成果

致 谢