隐层改进的BP网络在织物染色配色中的应用

为提高BP网络及其改进网络的收敛和泛化能力,依据计算机配色理论,深入研究了BP神经网络的优缺点,在此基础上提出了一种基于隐层输出反馈改进的BP网络训练算法应用于织物染色配色的算法,并按照此算法进行了织物染色的计算机配色实验。实验验证了人工神经网络算法在织物染色配色中应用的可能性和可靠性,为神经网络模型在织物染色配色中选择和构造合适的高性能网络结构提供了参考。     

基于PSO算法的RBFNN在织物染色配色中的应用

为了提高计算机配色的效率,提出了一种基于粒子群优化算法（Particle Swarm Optimization algorithm）的RBFNN（radial base function neural network）解决织物染色配色问题的模型。该模型容易实现,没有过多参数需要调整,并且提高了模型的收敛速度和精确度。仿真结果表明,用PSO算法优化的RBF神经网络解决计算机织物染色配色问题是一种较好的方法。     

BP网络泛化能力改进方法在染色配色中的应用研究

针对BP神经网络在织物染色配色中的局限性,提出了对BP神经网络应用到织物染色配色中的泛化能力改进方法。实验及仿真结果表明,基于泛化能力改进的BP神经网络在平均均方差上优于标准的BP神经网络,并且误差函数改进的BP神经网络要优于网络训练提前结束法改进的BP网络,与一般的BP神经网络模型相比,计算精度有了较大的提高。     

遗传RBF网络在织物染色配色中的应用

讨论了具有非线性、不确定特性的织物染色配色过程建模与仿真问题。针对传统的织物染色配色方法效果差、精确度不高和难以达到期望结果的问题,结合RBF神经网络的特点,提出了用基于遗传算法训练的RBF神经网络,同时优化网络的参数,并利用遗传RBF神经网络建立织物染色配色模型。仿真结果表明,该模型不仅提高15%的精确度,而且具有全局搜索能力和很好的鲁棒性,在解决织物染色配色问题上取得了预期配色效果。     

快速收敛的BP神经网络算法

以标准BP算法为基础,应用Levenberg Marquardt最优化方法,提出了一种快速收敛的BP算法———LMBP算法。经实验验证并与标准BP算法及其它改进形式比较,LMBP算法大大提高了收敛速度,而且性能稳定。这为BP神经网络应用于实时性要求高的场合(如在线检测)提供了算法基础。该算法的缺点是计算量大,所需计算机内存大,不适合大型网络的计算。     

贝叶斯改进BP神经网络在织物染色配色中的应用

针对BP算法及其改进算法泛化能力不强的问题,探讨了用贝叶斯正规化算法与LM算法的结合来提高BP神经网络的泛化能力。结果表明,在相同网络规模或误差条件下,贝叶斯正规化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快。因此文中把贝叶斯正规化算法与LM算法结合应用到了织物染色的计算机配色中,其预测的配方和实验的数据比较接近,证明了该方法的可行性。     

LMBP预测模型在国际工程索赔上的应用

针对传统BP算法的缺陷,提出了一种采用L-M算法来加快收敛速度改进的BP神经网络。在此基础上,通过研究工程中引起索赔的各种因素,建立了基于LMBP神经网络的非线性系统,并利用该网络模型来预测工程索赔出现的可能性,并通过具体的仿真以及实践结果验证了LMBP网络的有效性,为承包商的工程索赔管理提出了一个新途径。     

LMBP预测模型在国际工程索赔上的应用

针对传统BP算法的缺陷，提出了一种采用L—M算法来加快收敛速度改进的BP神经网络。在此基础上，通过研究工程中引起索赔的各种因素，建立了基于LMBP神经网络的非线性系统，并利用该网络模型来预测工程索赔出现的可能性，并通过具体的仿真以及实践结果验证了LMBP网络的有效性，为承包商的工程索赔管理提出了一个新途径。     

LMBP神经网络算法的改进

针对LMBP神经网络算法的一些不足,如计算量大,收敛速度慢等特点,提出一些改进方法,即将求逆矩阵G-1移到等式左边,用直接分解法求解,极大地减少了计算量,并且采用变步长代替原来的固定步长.通过结合聚合釜的现场数据集进行故障诊断的仿真实验,结果表明所提改进LMBP故障诊断方法有效、可行.     

基于微粒群算法的神经网络储层物性参数预测

建立了一个具有自适应、复杂非线性储层预测模型,在计算方法上,由于多层前向型神经网络BP算法存在易陷入局部最优的缺点,而微粒群算法具有较强鲁棒性和全局收敛的优点.结合二者长处,利用基于微粒群算法的神经网络计算方法,对神经网络结构进行了改进.利用四川洛带地区气田的测井资料,用所设计的算法对储层的物性参数(孔隙度、渗透率)进行预测,并对其预测精度与用常规基于BP算法和基于LMBP算法得到的预测结果进行了比较分析,发现地质效果明显,有效地克服了基于BP算法和基于LMBP算法的缺点.     

基于多项式拟合的数值分析方法在织物染色配色中的应用

从织物染色配色的特点和颜色的混合性理论出发,对配色过程中的相关问题进行了分析与抽象,提取主要影响因素,忽略次要因素,在分析染色小样数据的基础上,找出了相同配方浓度与染色小样的三刺激值CMY之间的变化规律,建立了一种基于染色小样的CMY值与染料浓度关系假设的织物染色配色数学模型,并运用多项式拟合的方法对模型进行了求解和验证。实验结果表明,在相同浓度下建立的求解模型,方法简单,误差小,能够满足实际染色配色的要求。     

多元回归分析在织物染色计算机配色中的应用

为了预测织物染色的染料浓度,本文在分析实验数据的基础上,建立了染料浓度和三刺激值CMY之间的多元非线性模型,利用多元回归分析的最小二乘原理得到带有参数的非线性方程组,最后利用牛顿迭代法求解非线性方程组得到染料浓度。实验结果表明,多元回归分析计算得到的染料浓度与实际值很接近,对织物染色的计算机配色有一定的指导意义。     

基于BP神经网络的计算机油墨配色系统的研究

计算机配色可提高油墨配色的速度和精度,具有重要作用．基于两种颜色空间和BP神经网络的计算机配色系统被研究．实验结果表明基于光谱颜色空间配色系统的配色精度更高,可应用于目前的各种印刷方式中．基于BP神经网络的配色系统具有很强的适用性,推进了印刷的数字化流程．     

Color Reproduction on CRT Displays via BP Neural Networks Under Office Environment

A CRT characterization method based on color appearance matching is presented. A matching between Munsell color chips and CRT charts was obtained in vision perceiver in typical office environment and viewing condition by recommending. And neural networks were utilized to accomplish the color space conversion from CIE standard color space to CRT device color space. The neural networks related the color space conversion and color reproduction of soft/hard-copy directly to the influence of the illuminance and viewing condition in vision perceiver. The average color difference of training samples is 3.06 and that of testing samples is 5.17. The experiment results indicated that the neural networks can satisfy the requirements for the color appearance of hard-copy reproduction in CRT.