數(shù)值分析和支持向量機在織物染色配色中的對比研究.pdf

1、傳統(tǒng)的織物配色技術主要有兩種：三刺激值配色和全光譜配色。這兩種方法都是基于Kubelka-Munk理論。由于該理論引進了一系列的假設，而實際染色過程只能部分滿足這些假設，因此以此理論為基礎的配色方法不能給出精確的染色配方，使得色差較大，很難滿足各種復雜的生產(chǎn)需求。 織物染色配色實質(zhì)上是一個復雜的非線性求解問題。由于神經(jīng)網(wǎng)絡是進行非線性過程建模的有效手段，因此，很多科研人員開始嘗試將其用于計算機配色方面并取得了一定的成果。但是利用

2、神經(jīng)網(wǎng)絡建模還存在著許多待解決的問題，如神經(jīng)網(wǎng)絡的泛化問題和局部極小值問題。 為了克服現(xiàn)有織物配色方法中的不足，本文將數(shù)值分析和支持向量機思想引入到織物染色計算機配色過程中，并對這兩種方法進行了對比研究。 基于數(shù)值分析的織物染色配色方法，研究了單色小樣三刺激值XYZ與其濃度之間的規(guī)律，建立了三拼色數(shù)學模型，然后通過進行最小二乘擬合并使用Newton-Krylov算法，實現(xiàn)染料濃度的求解。實驗數(shù)據(jù)證明該方法精確度高于傳統(tǒng)的

3、BP網(wǎng)絡配色法，基本上滿足配色要求。 在對織物染色配色規(guī)律進一步研究的基礎上，將支持向量機回歸算法用于計算機配色。支持向量機是一種基于統(tǒng)計學習理論框架下的一種新的通用機器學習方法，是一種處理非線性分類和非線性回歸的有效方法。 本文討論了支持向量機回歸方法(SVR)在織物染色配色過程中的應用，通過交叉驗證選用RBF函數(shù)作為支持向量機的核函數(shù)，并采用粒子群算法進行支持向量機參數(shù)的優(yōu)化，取得了較好的效果。預測結果表明，在對織物