摘要：目前織物染色配色技術(shù)具有低效率和低精度缺點(diǎn)，許多染色配色方法收斂速度慢。為此提出了一種基于改進(jìn)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(jìn)ＬＭＢＰ神經(jīng)網(wǎng)絡(luò)來進(jìn)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(duì)比。實(shí)驗(yàn)的預(yù)測(cè)結(jié)果表明，改進(jìn)的ＬＭＢＰ神經(jīng)網(wǎng)絡(luò)方法收斂速度更快，并且能夠滿足實(shí)際染色配色的要求。
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(yàn)豐富 的配色人員根據(jù)用戶布料小樣獲取顏色，進(jìn)行打樣。然后將打樣結(jié)果與用戶小樣對(duì)比，根據(jù)對(duì)比結(jié)果再重新打樣，這個(gè)過程需要不斷地重復(fù)進(jìn)行，直到與用戶小樣的顏色基本一致為止。計(jì)算機(jī)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(jì)算機(jī)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(gè)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(diǎn)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(diǎn)，因?yàn)樗举|(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(jìn)入平坦區(qū)）、陷入局部最小區(qū)及對(duì)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?fù)浣Y(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(huì)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(cuò)性以及穩(wěn)定性就會(huì)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(xiàn)從ＢＰ網(wǎng)絡(luò)的不同角度進(jìn)行改進(jìn)，取得了一些進(jìn)展。本文提出了將改進(jìn)ＬＭＢＰ神經(jīng)網(wǎng)絡(luò)算法
１?。蹋停拢猩窠?jīng)網(wǎng)絡(luò)ＬＭＢＰ算法是指基于Ｉ ｅｖｅｎｂｅｒｇ—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(dá)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（ ）是Ｊａｃｏｂｉａｎ矩陣；Ｊ是單位矩陣；Ｐ（?。┮唬ǎ小?，Ｐ。，…，Ｐ?。?；／２是自己設(shè)定的以控制的量。
ＬＭ算法的計(jì)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(jì)算網(wǎng)絡(luò)輸出及誤差指標(biāo)函數(shù)Ｅ（?。ㄗ撸?。
③計(jì)算Ｊａｃｏｂｉａｎ矩陣Ｊ（ ）。
④計(jì)算Ａｘ和Ｅ（?。▽希?。
⑤若Ｅ（ （愚））＜ｅ，轉(zhuǎn)到⑦；否則，以ｘ（ｋ＋１）為權(quán)值和閾值計(jì)算誤差指標(biāo)函Ｅ（ｘ（ｋ＋１））一ｘ（ｋ＋?。保牛ā。ㄗ撸?。
⑥若Ｅ（ｘ（ｋ＋１））＜Ｅ（?。ㄖ荆?，則令ｋ—ｋ＋ｌ， 一?。梗氐舰?；否則這次不更新權(quán)值和閾值，令ｘ（ｋ＋１）一 （是）、 一 ，并回到④。
⑦停止。
２ 改進(jìn)的ＬＭＢＰ神經(jīng)網(wǎng)絡(luò)改進(jìn)的ＬＭＢＰ神經(jīng)網(wǎng)絡(luò)是針對(duì)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(diào)整策略改變?yōu)椋海币弧。ǎ病。?，ｋ為只進(jìn)入此步小循環(huán)的次數(shù)。如果某一步產(chǎn)生了更小的Ｅ（?。ㄊ牵?，則 在下一步的調(diào)整策略改變?yōu)椤∫弧。ǎ病。??！〕踔狄话闳。埃埃埃保唬怪等。幢容^合適 。
３ 神經(jīng)網(wǎng)絡(luò)配色模型的設(shè)計(jì)與實(shí)現(xiàn)１９８９年，Ｒｏｂｅｒｔ?。龋澹悖瑁簟危椋澹欤螅铮钭C明了當(dāng)各節(jié)點(diǎn)具有不同的閾值時(shí)，具有一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)可以用來逼近任意的連續(xù)函數(shù)。因此，取用一個(gè)隱層，即
①利用經(jīng)驗(yàn)法確定初始的隱層神經(jīng)元數(shù)。
②進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測(cè)試。
③不斷增加或減少隱層神經(jīng)元數(shù)。
④比較不同隱層神經(jīng)元數(shù)時(shí)的訓(xùn)練和測(cè)試結(jié)果，選取合適的隱層神經(jīng)元數(shù)。
本文采用經(jīng)驗(yàn)法和試算法相結(jié)合的方法來確定基于ＬＭＢＰ算法的神經(jīng)網(wǎng)絡(luò)模型的隱層神經(jīng)元的個(gè)數(shù)。
設(shè)計(jì)完成的織物染色配色模型。
相關(guān)信息 
推薦企業(yè) 推薦企業(yè)
推薦企業(yè)
源經(jīng)編.gif)
您所在的位置：
