摘要：目前織物染色配色技術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算法神經網絡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上，提出并建立了用改進ＬＭＢＰ神經網絡來進行染色配色的模型，并將其與ＬＭＢＰ算法神經網絡染色配色結果對比。實驗的預測結果表明，改進的ＬＭＢＰ神經網絡方法收斂速度更快，并且能夠滿足實際染色配色的要求。
引言：
傳統(tǒng)織物染色配色技術采用人工配色，工作效率和配色精度較低。人工染色配色的過程是由經驗豐富 的配色人員根據用戶布料小樣獲取顏色，進行打樣。然后將打樣結果與用戶小樣對比，根據對比結果再重新打樣，這個過程需要不斷地重復進行，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)在很多學者將神經網絡法作為解決非線性問題的一種方法。但人工神經網絡中提出的訓練方法很多，并不是所有算法都適合配色系統(tǒng)。ＢＰ（Ｂａｃｋ—Ｐｒｏｐａｇａｔｉｏｎ）神經網絡是目前研究最多、應用最廣泛的一種多層前饋人工神經網絡。
理論已證明，３層ＢＰ神經網絡在隱節(jié)點數足夠多的情況下具有模擬任意復雜的非線性映射的能力。但是ＢＰ神經網絡有其固有的缺點，因為它本質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)學習速度慢（進入平坦區(qū)）、陷入局部最小區(qū)及對參數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網絡的拓撲結構有很大的關系，如果網絡規(guī)模過于龐大，那么網絡的訓練速度以及泛化能力就會降低；反之，如果網絡的訓練規(guī)模過小，那么網絡的容錯性以及穩(wěn)定性就會降低。因此，ＢＰ網絡的應用受到了一定的限制。目前，有不少文獻從ＢＰ網絡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神經網絡算法
１?。蹋停拢猩窠浘W絡ＬＭＢＰ算法是指基于Ｉ?。澹觯澹睿猓澹颍纭停幔颍瘢酰幔颍洌糇顑?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［．， （?。剩ā。。菀弧。剩ā。校ā。┦街校粒菣嘀迪蛄康淖兓?；Ｊ（ ）是Ｊａｃｏｂｉａｎ矩陣；Ｊ是單位矩陣；Ｐ（ ）一（Ｐ ，Ｐ。，…，Ｐ?。?；／２是自己設定的以控制的量。
ＬＭ算法的計算步驟＿３］：
①給出訓練誤差允許值￡、 、 。，以及初始化權值和閾值向量Ｘ。，令ｋ一０， 一 。
②計算網絡輸出及誤差指標函數Ｅ（?。ㄗ撸?。
③計算Ｊａｃｏｂｉａｎ矩陣Ｊ（?。?/p>
④計算Ａｘ和Ｅ（?。▽希?。
⑤若Ｅ（?。ㄓ蓿迹?，轉到⑦；否則，以ｘ（ｋ＋１）為權值和閾值計算誤差指標函Ｅ（ｘ（ｋ＋１））一ｘ（ｋ＋?。保牛ā。ㄗ撸?。
⑥若Ｅ（ｘ（ｋ＋１））＜Ｅ（ （志）），則令ｋ—ｋ＋ｌ， 一?。梗氐舰?；否則這次不更新權值和閾值，令ｘ（ｋ＋１）一 （是）、 一 ，并回到④。
⑦停止。
２ 改進的ＬＭＢＰ神經網絡改進的ＬＭＢＰ神經網絡是針對上面ＬＭ算法提出的加快收斂速度的方法。將ＬＭ算法步驟⑥中的調整策略改變?yōu)椋海币弧。ǎ病。?，ｋ為只進入此步小循環(huán)的次數。如果某一步產生了更小的Ｅ（?。ㄊ牵瑒t 在下一步的調整策略改變?yōu)椤∫弧。ǎ病。??！〕踔狄话闳。埃埃埃?，』９值?。幢容^合適 。
３ 神經網絡配色模型的設計與實現(xiàn)１９８９年，Ｒｏｂｅｒｔ Ｈｅｃｈｔ—Ｎｉｅｌｓｏｎ證明了當各節(jié)點具有不同的閾值時，具有一個隱層的神經網絡可以用來逼近任意的連續(xù)函數。因此，取用一個隱層，即
①利用經驗法確定初始的隱層神經元數。
②進行網絡訓練和測試。
③不斷增加或減少隱層神經元數。
④比較不同隱層神經元數時的訓練和測試結果，選取合適的隱層神經元數。
本文采用經驗法和試算法相結合的方法來確定基于ＬＭＢＰ算法的神經網絡模型的隱層神經元的個數。
設計完成的織物染色配色模型。
相關信息 
推薦企業(yè) 推薦企業(yè)
推薦企業(yè)
您所在的位置：
