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。     

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。     

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。     

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。     

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。     

用于毛粘混纺织物的计算机测配色系统

本文述了计算机辅助测配色系统中混纺织物的基础数据处理方法及模拟染色过程的配色算法，毛粘织物用酸性／直接工艺染色的实验室数据制备方法及色差控制等。     

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．     

基于Ga-BP神经网络的色纺纱配色

针对传统配色方法及配色算法存在不足之处,利用BP神经网络对色纺纱进行配方预测,并用遗传算法对其进行改进.结果表明:将遗传算法引入到BP神经网络,可优化BP神经网络配色模型;测试样本包含在训练样本中时,预测配方精度非常高,配方绝对误差均值几乎为0;而测试样本不包含在训练样本中时,预测配方精度较低,配方绝对误差均值为0.033,初次打样色差均值为1.69 CMC(2∶1),大于1 CMC(2∶1).     

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。     

基于改进BP神经网络的手写邮政编码识别

为解决手写邮政编码识别困难的问题,引入改进的粗网格特征提取方法,对神经网络的网络输入进行简化,并且采用基于LM算法的BP神经网络来进行网络学习。LM算法是一种改进的高斯-牛顿算法,此算法通过简化的网络输入,进一步提高了网络学习的精度、稳定度和学习速度。仿真结果验证了此算法在手写邮政编码识别中的有效性。     

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。     

PSO-BP神经网络在MBR工艺中的膜污染预测

针对MBR膜污染因子较为复杂且各因子之间相互交叉,提出基于PSO-BP神经网络的膜污染预测方法.首先用主成分分析法实现输入变量的去维和去相关,简化网络的输入,然后应用粒子群算法优化神经网络的权值和阈值.网络训练时使用的数据是在不同操作条件下,采用孔径为0.038μm的聚醚砜超滤膜处理印染废水溶液时得到的膜通量实验数据,最后用训练好的PSO-BP神经网络对膜通量进行预测.结果表明,与传统BP算法相比,PSO-BP神经网络算法能更快实现收敛,提高运算速度以及膜通量预测的准确度.     

基于BP神经网络的阴极射线管显示器标定模型

为了精确标定阴极射线管（CRT）显示器，应用分光光谱辐射计1980B采集计算机控制的CRT显示器色度数据，建立了经过三通道输出整合优化的前馈BP神经网络CRT显示器标定模型.该模型是CRT显示器的红、绿、蓝3个通道的亮度等级值和颜色三刺激值之间的非线性映射.神经网络的预测颜色三刺激值与测量颜色三刺激值之间的决定系数均大于0.999 9，两者之间的CIE色差均值为0.409 7，标准差为0.332 3，远小于最小颜色可觉差.该模型的标定色差显著小于CIE伽马校正标定模型的标定色差（CIE色差均值为4.695 5，标准差为3.533 0）.     

遗传算法和BP算法相结合进行图像匹配

将神经网络理论应用于图像匹配 ,提出采用遗传学习算法进行全局寻优、利用BP算法进行精确训练、优化BP(backpropagation)神经网络权重学习和训练的神经网络图像匹配算法 .实验表明该算法的收敛性能及学习速度优于传统的BP神经网络图像匹配算法及其他同类改进算法 ,具有寻优的全局性和精确性 .