基于分段数值分析和多项式拟合的织物染料配色研究

为了克服传统配色的诸多缺陷,提高配色速度和精度,本文将分段数值分析和多项式拟合的思想引入到织物的配色染色过程中。以色彩混合原理及理论为基础,分析和处理大量的实验数据,并以Matlab数学工具箱为建模辅助工具,阐述了在计算机配色过程中不同染料浓度与染色小样的三刺激值C,M,y之间的数学关系。经过大量的数学验证,应用上述方法建立的数学关系模型,其绝对误差大多数在±5．0％以内,效果比较理想,可以应用到实际的织物染色生产中。     

曲线回归分析在织物染色计算机配色中的应用研究

针对三刺激值C,M,Y与浓度之间的关系,本文在Kubelka-Munk理论的基础上,应用数学建模的方法对织物染色计算机配色进行研究,通过对实验样本数据的选取与分析,建立了在相同染料浓度下三刺激值C,M,Y与染料浓度的曲线回归模型,并对该模型进行回归分析,分析结果表明,实验数据的误差绝大部分在0.65%以内,说明该回归方程的拟合效果比较好,与C,M,Y值相对应的所求解的染料浓度比实验数据的误差小,该研究精度高,拟合效果好,能满足实际织物染色配色的需要,具有一定的实用价值。     

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。     

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。     

改进LMBP神经网络在织物染色配色中的应用

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。     

主成分分析在织物染色计算机配色中的应用研究

为了得到织物染色的染料质量浓度与三刺激值之间的关系,通过对实验数据的分析,利用主成分分析,建立了染料质量浓度和三刺激值C,M,Y之间的多元非线性模型;结合曲线拟合与曲面拟合,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,利用主成分分析建立的数学模型,所求得的染料浓度与实际值很接近,所得预测结果在实验允许误差±5％范围内,具有较高的准确性。该模型能够满足实际染色配色的要求。     

插值分析在织物染色计算机配色中的应用研究

针对织物染色配色这一复杂的非线性求解问题,本文主要对实验数据进行相关性分析,初步确定了染料质量浓度d1,d2,d3与三刺激值C,M,Y的基本关系,并利用插值法分别对实验数据进行一维和二维插值,以获得更多的数据;同时,利用Matlab拟合工具箱以及多元非线性回归,求出染料的质量浓度和三刺激值C,M,Y的非线性方程,并利用牛顿迭代法求解非线性方程组,以获得染料的质量浓度。实验结果表明,该模型所求出的染料质量浓度与实际测量值非常逼近,误差的绝对值在0.05以内。该模型精度高,准确性较好,可以应用到实际染色配色中。     

电脑测色配色系统在锦纶织物染色中的应用研究

研究了计算机测色配色系统在锦纶织物配色中的应用，详细阐述了计算机测色配色系统中基础数据库的建立及检验方法，并应用基础数据库进行了配色实验。研究结果表明，计算机测色配色技术可以应用于锦纶针织物自动电脑测配色中，并且对于彩色系列准确性高，对于灰色系列经过1～2次的修色可达到要求。     

电子计算机配色在皮革染色中的应用初探

本文简述了电子计算机配色的基本原理，同时对皮革染黑的计算机配色进行了研究；为国内皮革配色仪器化作了一些有益的尝试。     

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。     

最小误差平均值拟合在织物染色计算机配色中的应用研究

为了得到布料颜色与染料浓度的关系,根据实际测量所得的RGB数据与染料浓度的关系,建立RGB数据与染料浓度的数学模型,利用最小误差平均值拟合求出RGB值关于染料浓度的关系方程组,再利用牛顿迭代法求解所得方程。将实际测量所得方程的RGB值带人方程求解不同染料的浓度,结果表明,求出的RGB值与实际测量的RGB值之间的误差在允许范围之内。说明最小误差平均值拟合法能够较好的解决计算机染色配色的问题,达到实际应用的目的。     

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。     

多元非线性回归在织物染色计算机配色中的研究

为使预测织物染色的染料质量浓度与实际的染料质量浓度误差最小,本文通过到工厂采集实际的测量数据并对其进行分析,建立了三刺激值C,M,y与染料质量浓度的数学模型,并在Excel中利用多元非线性回归分析方法,得到最小二乘估计点,同时结合多项式拟合,建立染料质量浓度与三刺激值C,M,y的多元非线性方程组,通过显著性F检验,验证所建数学模型的回归显著性效果,并利用牛顿迭代法反向求解该数学模型,得到对应的染料质量浓度.结果表明,采用多元非线性回归分析建立的数学模型,求得的结果与实际测量的数据误差非常小,该研究可以应用到实际染色配色中.     

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。     

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。