基于聚類的BP神經(jīng)網(wǎng)絡在織物染色計算機配色中的應用研究.pdf

1、傳統(tǒng)的織物染色配色方法存在精確度不高、效率較低等諸多弊端，這種方法已經(jīng)無法適應如今印染行業(yè)小批量、多樣式、交貨快的生產(chǎn)需要。人工神經(jīng)網(wǎng)絡，尤其是BP網(wǎng)絡的引入為解決這一類問題提供了新的手段。然而大規(guī)模的訓練樣本集加上BP網(wǎng)絡本身的弊端導致了網(wǎng)絡訓練時間長、收斂速度慢，這些問題使BP網(wǎng)絡用于織物染色配方的預測遇到了極大的挑戰(zhàn)。為此，本文提出從BP算法本身的改進和樣本集的聚類精簡等兩個不同的方面來提高基于BP網(wǎng)絡的織物染色配色模型的性能。

2、 論文首先介紹了神經(jīng)網(wǎng)絡的基本原理和常用的網(wǎng)絡模型-BP神經(jīng)網(wǎng)絡，針對BP算法本身的弊端，分析對比了兩種不同的改進BP算法，綜合考慮各項性能指標并最終確定用LM算法來構建BP神經(jīng)網(wǎng)絡織物染色配色模型。同時，結合色差原理和聚類分析原理，經(jīng)過研究發(fā)現(xiàn)在Lab色彩空間下布料樣本集屬于可聚類結構，這為樣本的聚類分析進而精簡樣本集奠定了理論基礎。 隨后，根據(jù)訓練BP網(wǎng)絡的需要，先后進行了樣本集的采集、色彩空間轉(zhuǎn)換、聚類分析、標準化等

3、工作，并最終確定了基于聚類的BP神經(jīng)網(wǎng)絡織物染色配色模型的教師樣本和檢驗樣本。接著給出了網(wǎng)絡模型的具體構建過程。 最后分別用基于動量的BP神經(jīng)網(wǎng)絡和基于LMBP的神經(jīng)網(wǎng)絡對聚類后的樣本集進行訓練，比較二者在網(wǎng)絡的收斂速度和訓練精度的性能差異：用基于LMBP的神經(jīng)網(wǎng)絡分別對全體樣本集和聚類精簡樣本集進行訓練，比較二者在收斂速度的差異：用基于LMBP的神經(jīng)網(wǎng)絡分別對隨機選取精簡的樣本和聚類精簡的樣本進行訓練，比較二者在泛化能力上的差