摘要：目前织物染色配色技术具有低效率和低精度缺点，许多染色配色方法收敛速度慢。为此提出了一种基于改进ＬＭＢＰ算法神经网络的织物染色配色方法，在分析了传统染色配色方法缺陷的基础上，提出并建立了用改进ＬＭＢＰ神经网络来进行染色配色的模型，并将其与ＬＭＢＰ算法神经网络染色配色结果对比。实验的预测结果表明，改进的ＬＭＢＰ神经网络方法收敛速度更快，并且能够满足实际染色配色的要求。
引言：
传统织物染色配色技术采用人工配色，工作效率和配色精度较低。人工染色配色的过程是由经验丰富 的配色人员根据用户布料小样获取颜色，进行打样。然后将打样结果与用户小样对比，根据对比结果再重新打样，这个过程需要不断地重复进行，直到与用户小样的颜色基本一致为止。计算机配色技术为提高染色配色工作效率和精度提供了新的途径。计算机配色技术的研究，主要是利用三种不同颜色的染料，配出所需要的颜色，所配的颜色与染料浓度是个非线性问题。现在很多学者将神经网络法作为解决非线性问题的一种方法。但人工神经网络中提出的训练方法很多，并不是所有算法都适合配色系统。ＢＰ（Ｂａｃｋ—Ｐｒｏｐａｇａｔｉｏｎ）神经网络是目前研究最多、应用最广泛的一种多层前馈人工神经网络。
理论已证明，３层ＢＰ神经网络在隐节点数足够多的情况下具有模拟任意复杂的非线性映射的能力。但是ＢＰ神经网络有其固有的缺点，因为它本质是一种梯度下降法的求最优问题，因此就不可避免地容易出现学习速度慢（进入平坦区）、陷入局部最小区及对参数选择比较敏感等问题。ＢＰ算法的优劣程度尤其是其泛化能力与神经网络的拓扑结构有很大的关系，如果网络规模过于庞大，那么网络的训练速度以及泛化能力就会降低；反之，如果网络的训练规模过小，那么网络的容错性以及稳定性就会降低。因此，ＢＰ网络的应用受到了一定的限制。目前，有不少文献从ＢＰ网络的不同角度进行改进，取得了一些进展。本文提出了将改进ＬＭＢＰ神经网络算法ｌ】 应用在织物染色配色中。经过实验，数据结果显示该算法对于同一色系染料的配方预测具有较高的精度，且收敛速度快。因此该方法适合应用在织物染色配色中。
１ ＬＭＢＰ神经网络
ＬＭＢＰ算法是指基于Ｉ ｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｒｄｔ最优化方法的ＢＰ算法。在最优化理论中，Ｌｅｖｅｎｂｅｒｇ—
Ｍａｒｑｕａｒｄｔ算法是牛顿法和最速下降法的一种结合算法，它既有高斯一牛顿法的局部收敛性，又具有梯度下降法的全局特性，其表达式为Ａｘ一一［．， （ ）Ｊ（ ）＋ ］一 Ｊ（ ）Ｐ（ ）式中，Ａｘ是权值向量的变化；Ｊ（ ）是Ｊａｃｏｂｉａｎ矩阵；Ｊ是单位矩阵；Ｐ（ ）一（Ｐ ，Ｐ。，…，Ｐ ） ；／２是自己设定的以控制的量。
ＬＭ算法的计算步骤＿３］：
①给出训练误差允许值￡、 、 。，以及初始化权值和阈值向量Ｘ。，令ｋ一０， 一 。
②计算网络输出及误差指标函数Ｅ（ （走））。
③计算Ｊａｃｏｂｉａｎ矩阵Ｊ（ ）。
④计算Ａｘ和Ｅ（ （屉））。
⑤若Ｅ（ （愚））＜ｅ，转到⑦；否则，以ｘ（ｋ＋１）为权值和阈值计算误差指标函Ｅ（ｘ（ｋ＋１））一ｘ（ｋ＋ １）Ｅ（ （走））。
[1][2]下一页>>
相关信息 
推荐企业 推荐企业
推荐企业
您所在的位置：
