基于模拟退火算法改进遗传算法的织物智能配色

为提高传统配色方法及现有配色算法的配色精度、效率及泛化能力,构建了基于BP神经网络的遗传算法和模拟退火算法相结合的织物智能配色模型,利用BP神经网络预测颜色,将训练好的BP神经网络与CIEDE2000色差公式结合作为遗传算法的适应度函数,用模拟退火算法改进的基于BP神经网络的遗传算法预测颜色配方,并根据预测的配方对涤纶...     

色纺纱的计算机配色研究进展

针对色纺纱配色原理复杂,难以对其进行颜色预测和配色的问题,归纳分析了几种可用于色纺纱计算机配色的预测模型在应用方面的特点。结果发现：Stearns-Noechel 模型、Kubelka-Munk 理论、BP 神经模型的计算精度较理想,Friele 模型精度较低;Stearns-Noechel 模型和Friele 模型需求解未知参数且参数对预测精度影响较大,Kubelka-Munk 理论与理想条件仍有差距且计算烦琐,BP 神经网络需要大量训练样本加强泛化能力。最后指出：色纺纱的配色应在继续提高传统配色模型精度的同时,改进求解配色模型中的未知参数,寻求新型配色模型;同时应注重企业个性化的参数设定,以及通过原液着色纤维的标准化,简化配色中的复杂计算,提高色纺纱的计算机配色技术水平。     

BP神经网络优化Stearns-Noechel模型的羊毛色纺纱配色

为了提升羊毛色纺纱配色的精确度,通过数理统计方法研究颜色特征中的色相、明度、饱和度与Stearns-Noechel模型参数M值之间的关系,采用BP神经网络对Stearns-Noechel模型参数M值进行优化,并与传统的最优平均M值和波长优化M值等方法进行对比。结果表明：采用BP神经网络优化Stearns-Noechel模型的配色方法比其他2种传统优化方法在颜色预测精确度上都有提高。在99个羊毛混色纱试验样本中,BP神经网络优化方法得到的平均色差最小,为1.177 3,其中色差小于1的样本占54%,结合颜色特征采用BP神经网络优化的Stearns-Noechel模型参数具有较好的效果,对羊毛色纺纱的颜色预测精确度有较大的提高。     

基于BP神经网络的全色域彩色纱颜色预测模型构建

针对传统测配色理论的局限性，利用神经网络良好的非线性映射能力构建一种全色域彩色纺纱的颜色预测模型。以灰、青、品红、黄作为四基色进行全色域混色模型的构建，并选取该全色域模型中的66个网格点进行纺纱，制备混色纱及织物，利用分光光度计测出66种织物的光谱反射率曲线，建立基于颜色预测混纺比和基于混纺比预测颜色值的神经网络，并根据预测值与实际值之间的色差值和均方误差评估这两种神经网络的准确性。结果表明：基于BP神经网络的颜色预测模型可以实现色纱颜色值与四基色颜色比例之间的非线性映射，测试样本的平均色差在2,后续将使用遗传算法或粒子群优化算法对其进一步优化，提高全色域彩色纱颜色预测模型的准确性。     

用于染色的神经网络计算机配色算法

分析了现有染色配色理论的现状,提出了基于神经网络的计算机配色算法,并进行了仿真试验.从仿真过程和结果看,BP网络具有学习能力,对于更新的工艺环境、新的染料系列、新的配方数据可以随时重新训练配色系统,从而实现配色系统的自动调整;还可以改变输入节点和输出节点数目,适应不同采样设备获取的色信息.简化了配色的算法,简化了基础数据的建立,有效减小了配方的色差.     

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%。     

基于Friele模型的色纺纱光谱配色研究

色纺纱的配色是纺织颜色领域有待解决的一个课题。文中详细介绍了基于Friele模型的色纺纱计算机光谱配色原理,优化了Friele模型参数σ,获得的羊毛色纺纱参数σ为0.093,棉色纺纱参数σ为0.128,并介绍了色纺纱计算机配色的算法流程。同时,利用自行开发的配色软件进行了配色实践。结果表明,色差不是评估色纺纱配色准确性的唯一指标,色纺纱配色中还存在"同谱异色"问题,目前主要依靠经验辨别。文中的研究为色纺纱计算机配色理论的发展奠定了一些研究基础。     

神经网络在计算机配色中的应用

研究神经网络应用于染色的计算机配色算法，分析了现有BP网络配色模型的不足，提出了使用有弹回的BP算法，以改进现有配色模型的方法，并进行了仿真试验。从仿真结果看，改进后的配色模型无论在收敛速度还是配色精度方面都有了较大的提高。     

基于量子进化算法的固井方案优化设计

为获得油气田固并质量的几个主要相关因素的最优搭配,利用神经网络的非线性映射能力和量子进化算法的全局寻优能力,从大量历史固井数据中确定神经网络训练样本,建立了BP神经网络模型,然后用量子进化算法对所建立的神经网络模型寻优,找到最佳的施工方案.仿真结果表明,该优化设计方案具有较好的收敛速度和运算精度,能较好地解决实际问题.     

基于BP神经网络的网络直播皮革服装销量预测

针对影响网络直播带货销量因素彼此之间复杂不可控,将人工神经网络引入网络直播销量预测领域.以皮革服装为例进行实证研究,对神经网络层数、输入层、输出层、隐含层神经元节点进行设计,构建了BP神经网络的网络销量预测模型,并进行了不同隐含层节点数的训练和优化测试.结果 表明,隐含层节点数为6,神经网络性能最佳,平均绝对值误差为6...     

基于Stearns-Noechel模型的双通道环锭数码混色纱颜色预测

为研究环锭数码纺制备混色纱的纤维配色规律,梯度配置品红、黄、青三色纤维混纺比,纺制3种纯色纱线及两色混色纱线。在环锭数码纺混色纱的结构特征基础上,利用Stearns-Noechel模型对其混色效应进行了探究和预测,提出并对比分析了基于最小色差法和波长法2种方法优化Stearns-Noechel模型参数。结果表明：Stearns-Noechel模型适用于环锭数码纺制备的混色纱;基于最小色差法得出的样本平均色差为1.80,基于波长法得出的样本平均色差为1.46,均优于经典混色模型;基于波长法的结果优于基于最小色差法,前者优化的模型中所有混色样色差平均值梯度占比均有所提高,优化方式效果显著,更适合环锭数码纺混色纱的颜色预测。     

亚麻织物接枝率与透气率变化关系的数学模型

 摘 要 ： 本设计通过紫外光引发接枝丙烯酸对亚麻织物进行改性处理。应用BP神经网络法和最小二乘回归法分别对不同光照接枝时间、光引发剂用量、单体浓度下的织物接枝率与透气率变化量之间关系进行建模。将接枝率作为输入、透气率变化量作为输出,通过讨论确定神经网络结构为1-10-1,S型函数作为激活函数;同时选出最优网络参数即迭代次数100、训练目标0.001。BP 网络模型与最小二乘模型相比,仿真输出与目标输出相关系数高,误差百分比小。因此,BP神经网络模型具有更好的仿真精度,为接枝率和透气率间关系的探索提供了一种准确有效的预测模型。     

基于BP人工神经网络的纱线毛羽预测研究

研究基于BP人工神经网络的纱线毛羽预测问题.以棉纤维的7项品质指标作为输入参数,以棉纱的毛羽指数H指标作为输出参数,通过使用36组数据分别进行网络模型训练,最终将纱线毛羽指数预测模型的结构选定为7-10-1来进行纱线毛羽的预测,结果表明:BP人工神经网络模型的预测速度和精度较好.     

食品添加剂高效液相色谱分析的神经网络建模研究

以七种食品添加剂的高效液相色谱分析数据为基础,建立了一个预测保留时间的人工神经网络模型。模型采用BP网络的基本结构和算法,含有一个隐层的双层拓扑结构。确定了隐层节点数的最佳取值范围,不仅可以满足模型对仿真精度的要求,而且可以使模型的训练速度保持在合适的范围内,避免了过多的隐层节点数导致网络冗余和收敛速度下降。模拟结果表明,基本BP算法训练网络具有很好的稳定性,预测结果与实验数据有良好的一致性。     

基于量子卷积神经网络算法的微小零件识别

设计了量子卷积神经网络表示层、隐藏层神经元和输出层神经元模型；采用修正线性激活函数ReLu作为激活函数，并通过训练误差函数优化量子旋转角度和神经连接权值。8种微小零件的仿真试验表明，量子卷积神经网络算法的识别准确率较高，耗时少且识别效果较好。