灰色GM(1,1)模型在国际春夏女装流行色色相预测中的应用

服装流行色是影响服装企业生产、营销、效益的重要因素。针对服装流行色预测研究中存在色彩量化复杂、缺少时间序列参数与构建预测模型性能关系等问题,提出以国际春夏女装流行色为研究对象,以PANTONE色彩体系为色彩量化依据,以绝对误差平均值作为预测效果的综合评价指标,探讨了不同长度的时间序列对灰色GM(1,1)服装流行色色相预测模型性能的影响。研究结果表明,以6年时间序列建立的灰色GM(1,1)模型对服装流行色色相预测的整体精度高,其绝对误差平均值之和仅为1.9%。     

基于BP神经网络的春夏女装流行色预测

应用科学的CIELab色度测量方法,对国内权威机构发布的2001-2011年度春夏女装流行色色卡进行量化,色卡量化样本分项统计和图表分析结果显示,春夏女装流行色属性存在不变、渐变与突变的三重特征.在此基础上,进行2011年春夏流行色色相、色调频数以及红色调L*、a*、b*对应的最小和最大值估计下色调分布的BP神经网络预...     

春夏女装流行色的层次聚类分类方法

采用层次聚类分析方法对春夏女装流行色进行分类,按照流行色预案间的色差距离对女装流行色进行量化分类。以2007至2015年国际流行色协会发布的春夏女装流行色预案为数据样本,采用层次聚类的聚合算法对流行色预案进行分类,之后依照色彩类别出现频次,将所得类别分为继承类色彩类别和创新性色彩类别,研究色差阈值与聚类结果的关系。实验结果显示,在色差阈值为10.40时,春夏流行色预案可形成12个继承类色彩类别,且继承类色彩所占比例达到38.8%,形成的继承类色彩类别及各类别色彩分布体现了春夏女装流行色分布的特点。     

国际服装流行色定案特征分析

应用量化分析方法研究流行色定案特征。以2007—2013年国际服装流行色定案为研究对象,应用PANTONE色彩体系实现对定案的量化与分类,通过统计分析获得2007—2013年定案在色相、明度、纯度属性上的特征,并对影响定案的相关因素进行分析。研究结果表明:2007—2013年定案在色相上始终表现为暖色为主,冷色和中性色为辅的特征;明度上表现为低明度色含量高,定案呈现明亮色与深暗的反季节性色并行混搭的风格;纯度上表现为低纯度色多,高纯度色少的春夏季节性和女装的特征。在2007—2013年定案中,分类后的数据在色相、明度和纯度变化上的波动性显著,但变化不存在线性相关性。该项研究对流行色的预测具有参考价值。     

中国流行色色案特征量化分析

研究了色彩定案分析方法。以权威色彩预测机构发布的2005—2009春夏女装中国流行色定案为研究对象,Pantone色彩体系为量化依据,应用spss18统计软件为量化分析工具,探讨历年色案特征,寻找流行色发展变化的内在规律,为客观预测流行色提供思路和参考。结果显示:历年流行色定案在色相上总体呈现双峰分布,即色相上呈现色彩互补和对比;聚类分析结果显示,5年中2005、2006、2008年3年流行色定案特征相似度较高,2007、2009年的相似度较高,而2005、2006、2008年3年流行色定案特征与2007、2009年间差异性明显。     

马尔可夫预测法在国际服装流行色预测中的应用

马尔可夫(MarKov)预测法是应用概率论中的马尔可夫链的理论和方法来研究随机事件的变化,并借此分析预测未来变化趋势的一种方法。文章以国际流行色权威机构国际色彩委员会发布的2007—2011年的国际女装春夏流行色定案为分析对象,应用马尔可夫预测方法对流行色定案的色彩进行预测分析,以原始数据与预测数据的相对误差百分比探讨此方法的预测精度。结果显示:应用马尔可夫预测法对5年来色彩的预测精度稳定性不统一,但是对蓝色调的预测精度很高,达90%。     

基于BP神经网络的国际服装流行色短期预测

研究以国际权威色彩机构发布的连续6年春夏女装服装流行色量化数据为研究对象,应用BP神经网络逼近任意非线性函数的能力和特点,构建色彩趋势的短期预测模型。研究在传统BP神经网络的基础上引入动量因子,通过设计网络参数、训练样本对模型进行训练与仿真,探讨模型在流行色预测中的性能。研究结果显示:应用引入动量因子的BP神经网络的收敛速度、预测获得误差的标准差小于0.06,预测效果好,能够用于流行色的短期预测。     

流行色春夏定案特征分析与探讨

应用minitab15对美国潘东公司（Pantone）、国际流行色协会（IC）和《国际纺织品流行趋势》杂志3家权威色彩预测机构发布的春夏流行色定案进行色彩量化和分析,旨在探寻流行色定案在纯度、明度和色相上的分布特点和变化规律。研究结果显示,3家机构发布的流行色信息在明度、纯度和色相分布中存在一定的共性和变化规律,如色相的双峰分布,冷暖对比,纯度和明度上的渐变迁移,以及色彩属性上的春夏季节色彩特征等。单因素方差分析结果说明国际流行色在预测信息中起主导作用。     

服装流行色变化趋势及突变分析

为探析服装流行色的变化趋势及突变情况,基于中国纺织信息中心发布的2000—2019年春夏流行色定案,采用线性趋势分析、滑动平均法和Mann-Kendall检验,探讨了流行色系统的分布规律及其作用机制。结果表明:1)近20年来服装流行色呈非周期振荡现象,色相数据变化没有明显的总体上升或下降趋势,整体上是以暖色调为主、冷色为辅的春夏季节特色; 2)服装流行色系统存在大量的不连续及突变现象,但不同色相的突变点数量具有显著差异; 3)服装流行色系统并非是平稳渐变的,当内部和外部影响因素满足一定条件时,会发生色彩突变现象。该研究为认识服装流行色突变规律提供了理论支撑。     

应用数字量化的毛衫流行色趋势预测方法

通过预测模型算法设计、预测模型方法分析,建立数字量化流程,并针对权威Spin Expo发布的纱线流行色色卡作为预测数据的信息源作为样本,以纱线流行色中的红色系为例,通过数字量化中HSB色彩系统量化以及纱线流行色色卡量化在流行色趋势中的应用,构建毛衫流行色色相、明度和饱和度的预测模型。实验结果表明,应用数字量化模型进行毛衫流行色趋势的方法具有预测的精准性与有效性。     

基于灰色模型和神经网络的服装流行色预测

针对服装流行色变化规律不稳定和预测准确度不高的问题,首先利用灰色模型对原始数据序列进行预测,然后再利用人工神经网络对残差序列进行预测,最后将两个预测值合并作为预测结果。结果表明混合方法比单一的GM、ANN方法能获得更好的预测值。     

原配色丝颜色预测模型

为便于原配色丝的纺前计算机辅助设计,从光在单丝间的传播角度出发,根据单丝的透射率、反射率和排列方式,提出了一种颜色预测模型.采用红、绿、黄、蓝4种不同颜色的薄膜代替单丝,将任意2种颜色的薄膜裁剪为不同的大小,通过相互叠加的方式制作了12个复丝试样.使用Datacolor测色仪测试了试样的混合色,同时计算其与模型预测的混...     

麻灰纱中色纤维混合模型运用

针对目前大部分色纺企业仍然依靠有经验的配色人员进行人工配色,存在配色效率低、配色精度差等问题,提出运用反向传播（BP）神经网络的方法对色纺纱的黑白纤维混合配色进行预测,并与使用Datacolor MATCH系统模拟染料配色方法和基于颜色混合模型中的Kubelda-Munk双常数理论的配色方法对黑白纤维混合配色的结果进行对比。结果表明：上述3种方法均可对麻灰纱的黑白纤维混合配色进行有效的预测,配方的相对误差基本控制在7.36%之内,且配方样品与标准样品的色差小于1;比较而言,3种黑白纤维混合配色的预测模型中,基于BP神经网络的配色方法适用性及精度最佳,配方的相对误差最高,为3.08%。     

原液着色涤纶交织混色织物的颜色预测模型

为准确预测色纱交织后形成的空间混合颜色,对以往圆柱形纱线的织物几何结构模型进行了改进,并提出了织物几何结构模型中纱线压扁系数的计算方法;在现有有色纤维混合和色纱交织混合颜色预测模型的基础上,构建了一个带经验系数和中间函数的新模型用于原液着色涤纶交织混色织物的颜色预测,并提出采用牛顿迭代确定经验系数的方法。为检验模型的准确性和有效性,设计并织造了单组纬显色和双组纬显色,4种经纬密度组合以及32种组织结构的共288块原液着色涤纶长丝交织混色织物。研究结果表明,与以往固定形式的颜色预测模型相比,新模型的预测精度良好;在不同场合下,新模型可以调整经验系数,以适用于不同类型色纱交织混合颜色的更准确预测。     

Applying gray model to predicting trend of textile fashion colors

In this study, a GM(1,1) model is applied to forecast the trend of textile fashion colors. Through the historical time series data of the color suggestion ratios by international forecasting facilities in the past, the GM(1,1) model is applied to forecast the fashion color trend. Besides the GM(1,1) model, a gray neural network model (i.e. GNNM(1,1)) is developed to compare the precision with it as well. The simulated results show that the GM(1,1) model has higher forecast precision than the GNNM(1,1) one. The predicted results of the color trend using the GNNM(1,1) model are less close to the real circumstances than as expected. With the assistance of a gray model-based prediction model, the fashion color trend can be traced more precisely and easily.     

采用最大均值差异和权重约束的服装识别迁移学习

为了提高基于深度学习的服装图像识别网络的泛化性能,文章提出了一种迁移学习方法,即从一个服装识别任务中提取知识并将其迁移到另一个相似任务中。所提出的神经网络由2个分支组成,一个分支在源域上进行计算,另一个分支在目标域上进行计算。为了表征2个分支之间的相似性,采用最大均值差异损失减小输出特征之间的分布差异,并使用权重约束损失来减小权重的差异。结果表明:与其他迁移学习方法相比,该方法可以提高2%的预测准确率,迁移学习后的Resnet50模型在ACWS数据集上的预测准确率可以达到69.01%,在IDesigner数据集上的预测准确率可以达到91.18%。     

基于视觉特性的色纺纱全光谱配色算法优化

为提高色纺纱计算机配色算法的精准性及适用性,针对目前配色算法难以同时保证理论计算的色差值及配比相对偏差同时最小的问题,以全光谱配色算法为基础,结合经典Stearns-Noechel光学理论模型,探索人眼视觉特性以确定视觉特性对不同波长下反射光的敏感系数,并将其引入配色算法中进行加权计算,预测单色纤维混合配比,同时,综合预测色差值、配比相对偏差值及欧式距离等对配色效果进行评价。结果表明,引入泊松分布赋值人眼敏感系数的配色算法结果最优,平均预测色差值为0.29,且均在1以内,平均配比相对偏差值为0.612,最小,欧式距离均值为0.087,相对较小;改进之后的配色算法通过一次计算即可实现预测色差值最小,且预测配比精准,针对色纺纱可初步实现计算机精准配色。