摘要：目前織物染色配色技術(shù)具有低效率和低精度缺點，許多染色配色方法收斂速度慢。為此提出了一種基于改進ＬＭＢＰ算法神經(jīng)網(wǎng)絡(luò)的織物染色配色方法，在分析了傳統(tǒng)染色配色方法缺陷的基礎(chǔ)上，提出并建立了用改進ＬＭＢＰ神經(jīng)網(wǎng)絡(luò)來進行染色配色的模型，并將其與ＬＭＢＰ算法神經(jīng)網(wǎng)絡(luò)染色配色結(jié)果對比。實驗的預(yù)測結(jié)果表明，改進的ＬＭＢＰ神經(jīng)網(wǎng)絡(luò)方法收斂速度更快，并且能夠滿足實際染色配色的要求?！?/p>
引言：
傳統(tǒng)織物染色配色技術(shù)采用人工配色，工作效率和配色精度較低。人工染色配色的過程是由經(jīng)驗豐富 的配色人員根據(jù)用戶布料小樣獲取顏色，進行打樣。然后將打樣結(jié)果與用戶小樣對比，根據(jù)對比結(jié)果再重新打樣，這個過程需要不斷地重復(fù)進行，直到與用戶小樣的顏色基本一致為止。計算機配色技術(shù)為提高染色配色工作效率和精度提供了新的途徑。計算機配色技術(shù)的研究，主要是利用三種不同顏色的染料，配出所需要的顏色，所配的顏色與染料濃度是個非線性問題?，F(xiàn)在很多學(xué)者將神經(jīng)網(wǎng)絡(luò)法作為解決非線性問題的一種方法。但人工神經(jīng)網(wǎng)絡(luò)中提出的訓(xùn)練方法很多，并不是所有算法都適合配色系統(tǒng)。ＢＰ（Ｂａｃｋ—Ｐｒｏｐａｇａｔｉｏｎ）神經(jīng)網(wǎng)絡(luò)是目前研究最多、應(yīng)用最廣泛的一種多層前饋人工神經(jīng)網(wǎng)絡(luò)。
理論已證明，３層ＢＰ神經(jīng)網(wǎng)絡(luò)在隱節(jié)點數(shù)足夠多的情況下具有模擬任意復(fù)雜的非線性映射的能力。但是ＢＰ神經(jīng)網(wǎng)絡(luò)有其固有的缺點，因為它本質(zhì)是一種梯度下降法的求最優(yōu)問題，因此就不可避免地容易出現(xiàn)學(xué)習(xí)速度慢（進入平坦區(qū)）、陷入局部最小區(qū)及對參數(shù)選擇比較敏感等問題。ＢＰ算法的優(yōu)劣程度尤其是其泛化能力與神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)有很大的關(guān)系，如果網(wǎng)絡(luò)規(guī)模過于龐大，那么網(wǎng)絡(luò)的訓(xùn)練速度以及泛化能力就會降低；反之，如果網(wǎng)絡(luò)的訓(xùn)練規(guī)模過小，那么網(wǎng)絡(luò)的容錯性以及穩(wěn)定性就會降低。因此，ＢＰ網(wǎng)絡(luò)的應(yīng)用受到了一定的限制。目前，有不少文獻從ＢＰ網(wǎng)絡(luò)的不同角度進行改進，取得了一些進展。本文提出了將改進ＬＭＢＰ神經(jīng)網(wǎng)絡(luò)算法ｌ】 應(yīng)用在織物染色配色中。經(jīng)過實驗，數(shù)據(jù)結(jié)果顯示該算法對于同一色系染料的配方預(yù)測具有較高的精度，且收斂速度快。因此該方法適合應(yīng)用在織物染色配色中?！?/p>
１?。蹋停拢猩窠?jīng)網(wǎng)絡(luò)
ＬＭＢＰ算法是指基于Ｉ?。澹觯澹睿猓澹颍?mdash;Ｍａｒｑｕａｒｄｔ最優(yōu)化方法的ＢＰ算法。在最優(yōu)化理論中，Ｌｅｖｅｎｂｅｒｇ—
Ｍａｒｑｕａｒｄｔ算法是牛頓法和最速下降法的一種結(jié)合算法，它既有高斯一牛頓法的局部收斂性，又具有梯度下降法的全局特性，其表達式為Ａｘ一一［．，?。ā。剩ā。。菀弧。剩ā。校ā。┦街?，Ａｘ是權(quán)值向量的變化；Ｊ（?。┦牵剩幔悖铮猓椋幔罹仃嚕唬适菃挝痪仃?；Ｐ（?。┮唬ǎ小?，Ｐ。，…，Ｐ ）?。唬彩亲约涸O(shè)定的以控制的量?！?/p>
ＬＭ算法的計算步驟＿３］：
①給出訓(xùn)練誤差允許值￡、 、 。，以及初始化權(quán)值和閾值向量Ｘ。，令ｋ一０， 一 。
②計算網(wǎng)絡(luò)輸出及誤差指標(biāo)函數(shù)Ｅ（?。ㄗ撸！?/p>
③計算Ｊａｃｏｂｉａｎ矩陣Ｊ（ ）?！?/p>
④計算Ａｘ和Ｅ（?。▽希?。
⑤若Ｅ（?。ㄓ蓿迹澹D(zhuǎn)到⑦；否則，以ｘ（ｋ＋１）為權(quán)值和閾值計算誤差指標(biāo)函Ｅ（ｘ（ｋ＋１））一ｘ（ｋ＋?。保牛ā。ㄗ撸??！?/p> [1][2]下一頁>>
相關(guān)信息 
推薦企業(yè) 推薦企業(yè)
推薦企業(yè)
編.gif)
您所在的位置：
