基于隱層改進的BP網(wǎng)絡在織物染色配色中的應用研究.pdf

1、進年來織物配色理論發(fā)展迅速，而隨著計算機技術的普及及深入，配色與計算機技術相結合是適應現(xiàn)代化生產的必然趨勢。本文針對傳統(tǒng)的BP網(wǎng)絡在織物染色配色中的缺點，提出了一種參考隱層輸出的改進算法，建立了一個計算精度更高、收斂速度更快的計算機配色網(wǎng)絡模型。 本文從色度學的角度分析了織物染色配色原理及色差產生的原因。目前計算機配色技術的理論基礎是Kubelka-Munk理論，由此發(fā)展起來的配色方法有兩種：三刺激值配色和全光譜配色，這兩種配色

2、方法都取得了很好的效果，但是因為三刺激值配色法只能求解三種染料的配色、全光譜配色法不能很好地解決K/S值與濃度之間的非現(xiàn)行關系，所以這兩種典型的配色方法不能廣泛應用與織物的染色配色。 人工神經網(wǎng)絡以其自學習自適應的特點，以及并行分布式存儲、可以任意逼近復雜的非線性關系的優(yōu)勢，深受各個生產領域的歡迎。而在多種人工神經網(wǎng)絡模型中，最值得研究應用的就是BP神經網(wǎng)絡，即誤差反向傳播網(wǎng)絡，通過數(shù)據(jù)的正向傳輸和誤差的反向傳播來完成訓練學習，

3、從而調整權值閾值以達到我們預期的目的。 盡管BP網(wǎng)絡有強大的非線性處理優(yōu)勢，但是仍有局限性：容易陷入局部最小點、收斂誤差較大及泛化能力不強等，因此，本文提出了一種基于隱層改進的BP算法，即，將隱層的輸出和輸入層的輸出同時作為隱層的輸入，進而更精確地訓練網(wǎng)絡降低誤差，并用MATLAB仿真實現(xiàn)，分別針對深色、中色和淺色不同色系的樣本數(shù)據(jù)進行訓練，并用訓練后的神經網(wǎng)絡模型對織物配色配方進行預測，通過仿真濃度輸出值的對比，從訓練的速度和