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。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問題，因此就不可避免地容易出現學習速度慢（進入平坦區）、陷入局部最小區及對參數選擇比較敏感等問題。ＢＰ算法的優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，如果網絡的訓練規模過小，那么網絡的容錯性以及穩定性就會降低。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 ｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｒｄｔ最優化方法的ＢＰ算法。在最優化理論中，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?，Ａｘ是權值向量的變化；Ｊ（?。┦牵剩幔悖铮猓椋幔罹仃?；Ｊ是單位矩陣；Ｐ（?。┮唬ǎ小?，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（ （走））。
③計算Ｊａｃｏｂｉａｎ矩陣Ｊ（ ）。
④計算Ａｘ和Ｅ（?。▽希?/p>
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（?。ㄖ荆?，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?。ㄊ牵?、 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中的調整策略改變為：／１一 （２?。?，ｋ為只進入此步小循環的次數。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為 一?。ǎ病。！〕踔狄话闳。埃埃埃?，』９值取４比較合適 。
３ 神經網絡配色模型的設計與實現１９８９年，Ｒｏｂｅｒｔ Ｈｅｃｈｔ—Ｎｉｅｌｓｏｎ證明了當各節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 推薦企業
推薦企業
您所在的位置：
