用于染色的神经网络计算机配色算法

1．1 BP网络的训练

由于BP网络隐层的数目及隐层神经元个数的选取尚无理论上的指导(闻新等，2003)：，试验采用了三层BP网络结构，即输入层、隐层和输出层．隐层节点的数目通过试验多次对比网络的稳定性和收敛速度确定．网络采用正切S函数(即tansig函数)作为网络的响应函数．隐层节点采用1O～20个神经元．网络学习系数采用0．005～0．01．网络训练次数为1000次．

1．2建立基础类库

实际染色工艺中，针对客户的不同需求，一般对深色、一般色及浅色采用不用的染料系列进行染色．故本试验中按照实际生产情况，对深三元采用虹光系列、中三元采用极品系列、浅三元采用京仁系列染料建立分类网络．对于一个学习系统，样本选取既要能够代表整体特性，又要反映配色过程内部复杂的机理和规律．试验分别选取单色和拼色进行打样试验，得出样本值、教师值训练网络，然后用训练后的网络进行配色．试验结果对于单色染色的配方数据误差小，导向性好，而对于2种或3种混合染料的配色，给出的配方数据跟实际打样数据误差比较大．原因是在染色过程中，多种染料之间存在相互作用，如覆盖、渗透等，而不是简单符合理想的加法混色或减法混色．因此，试验采用混色数据训练神经网络，使其通过在学习过程中改变连接权值自动记忆工艺特征，总结色料混合规律，对不同染色工艺进行学习．基础类库中建立针对深三元、中三元、浅三元不同类的三拼色方分类表格．由于染色过程染料上染影响因素复杂，因此在计算机配色算法中神经网络的训练需要大量的样本数据，样本数据需要涵盖所有常用配方．试验初期基础类表格的教师值设计在1000种左右．

1．3训练神经网络配色

BP网络隐层节点的数目确定理论上没有严格的规定，对于复杂的非线性问题，特别针对染色配色、气味分辨等感官类问题，由于影响因素复杂，选用的隐层节点个数确定在10～30个(2004年神经网络国际年会)．这样就防止了隐层节点数目过多而影响网络的收敛速度；也防止隐层节点数目过少引起的网络陷入局部极小．通过试验，采用12个样本进行学习，网络的收敛速度如表1所示．

最终试验建立了具有30个节点数的BP网络，其结构如下：5期董红安：用于染色的神经网络计算机配色算法

1．4 BP网络样本数据的规格化处理

训练数据的规格化处理：在BP网络设计中，使用的响应函数为对数S形函数，原因是对数S形函数产生的输出在0～1，满足染色配方的输出形式．Sigmoid函数的形式为f(x)=(1+e)-1．该函数在=l4时，f(x)=1．000001；=15时，f(x)=1．000000．而配色中的样本数据，即色样的、y、Z三刺激值多数>15，这样BP网络就无法实现对权值的调整，因此必须对数据进行规格化．在试验BP网络实现中，对试验数据分别除以100，使f(x)<1，从而避免了权值“停滞”现象．

• · 印染加工中的色差控制
• · 活性染料印染物的防沾污皂洗问题
• · 纺织印染加工抗起毛起球解决方案
• · 降低织物缩水率的措施
• · 染色与印花有什么不同？
• · 色渍（斑）产生的原因及预防措施
• · 溢流喷射印花染色机在针织物染色过程学习
• · 如何提升溢流染色机的染色质量?
• · 溢流喷射染色机堵布的防止及排除
• · 溢流喷射染色机产生堵布的原因及解决方法