基于遗传算法的BP神经网络在织物染色配色中的应用研究

摘要

织物染色的过程是首先需要从用户那里得到他们所需要颜色的布料小样，然后根据小样颜色由经验丰富、技术娴熟的配色人员进行打样。因此，配色的工作效率较低。针对于此许多织物染色配色技术就应运而生。 传统的方法都是以Kubelka-Munk原理为理论基础的，这个原理是指光线在不透明介质中被吸收和散射的理论。美国的Park和Steams提出了色料混合公式，这为计算机配色奠定了数学基础。而在Kubelka-Munk光学理论的基础上，建立的计算机配色模式是三刺激值配色和全光谱配色。 近年来，随着人工智能特别是神经网络理论的不断发展，其应用也更加的广泛。而神经网络中的BP网络在模式识别、图像识别、数据挖掘等方面都得到了十分广泛的应用，BP是一种强有力的学习系统，从信息处理的观点来看，BP网络是一类信息“映射”处理系统。由于BP神经网络具有通过样本学习完成任意空间映射的能力，所以它成为非线性系统建模、仿真、预测的工具。由于BP神经网络具有这些优点，因此本文将它应用于织物染色计算机配色系统中。在本系统中我们将小样的CMY值作为神经网络的输入，将染料浓度作为神经网络的输出，加上一个中间隐层，这样就建立了一个三层神经网络。 但是由于BP神经网络的稳定性又与网络的初始训练值有关的缺点，因此，本文又将遗传算法引入以改进BP神经网络。遗传算法是一种非导数优化的随机优化方法，可以对一复杂的、非线性及不可微的函数实现全局搜索，而BP算法对局部搜索比较有效，因此为了使算法能很快的找到满意解，可以先用遗传算法对初始权值进行优化，在解空间中定位出较好的搜索空间。然后用BP算法在这些小的解空间中搜索出最优解。

目录

文摘

英文文摘

声明

第1章绪论

1.1概述

1.2计算机配色原理及系统

1.3计算机配色的发展及特点

1.4本课题的主要研究内容

第2章织物染色原理

2.1色度学基础

2.2三基色原理

2.3三刺激值

2.4 CIE色度系统

2.5传统的织物染色方法

2.6计算机配色方法

2.7传统配色方法分析

第3章神经网络的基础

3.1神经网络神经元模型

3.2神经网络的学习与训练

3.3神经网络的网络结构类型

3.4神经网络的应用及研究方向

第4章BP神经网络

4.1BP算法及其公式推导

4.2BP算法的描述

4.3BP算法存在的缺陷

第5章遗传算法的基本思想

5.1遗传算法的基本思想

5.2遗传算法的基本操作

5.3遗传算法在解决优化问题过程中的特点

第6章基于遗传的BP算法改进方法及其参数调整

6.1利用遗传算法确定初始权值和阈值

6.2数据的初始化

6.3节点数的确定

6.4传递函数的选择

6.5权值修改的优化

第7章BP神经网络实验及结果分析

7.1京仁浅三元三拼色的仿真结果

7.2极品中三元三拼色的仿真结果

7.3虹光深三元三拼色的仿真结果

第8章总结

参考文献

攻读学位期间的研究成果

致谢