论文部分内容阅读
由于传统的织物染色配色方法费时费力,精确度不高,在研究自适应神经网络的模糊推理系统(Adaptive Network-based Fuzzy Inference System, ANFIS)理论及配色原理的基础上,本文提出了两种计算机配色方法,一种是将ANFIS技术引入到织物染色计算机配色的领域,建立了一个具有足够配色精度的基于ANFIS的织物染色计算机配色模型。另一种是从织物染色的配色特点和颜色的混合性理论出发,对配色过程中的相关问题进行了分析与抽象,提取主要影响因素,建立了三拼色数学配色模型。并采用模拟退火算法对模型进行了求解。文中首先分析了自适应神经网络的模糊推理系统的一般理论,建立了基于ANFIS的织物染色计算机配色模型。应用该模型对样本数据进行仿真训练,并与以往的基于神经网络的配色模型进行了比较,在比较了两种不同网络模型的预测误差和网络性能的基础上,分析了它们的优缺点并提出了改进措施。随后本文针对ANFIS易陷入局部极小点的缺点,将遗传算法(Genetic Algorithm,GA)引进到ANFIS中,提出了基于GA改进的ANFIS的织物染色配色模型。针对ANFIS模型的配色精确度不是太高、收敛速度慢等缺点,本文还提出了利用粒子群优化算法(Particle Swarm Optimization, PSO)来改进标准的ANFIS并且进行了仿真实验。实验结果表明基于遗传算法改进的ANFIS模型比标准的ANFIS模型仿真误差小,收敛速度快,而基于粒子群算法优化的ANFIS模型比基于遗传算法优化的ANFIS模型误差更小,收敛速度更快,能够较准确地预测出织物染色的配方。论文最后一章通过对染色数据进行分析,发现三拼色染色小样的CMY值与染料浓度之间存在非线性关系,并通过数学建模的方法,建立了单色数学配色模型与三拼色数学配色模型,并通过模拟退火算法对数学配色模型进行了求解,计算结果证明：与神经网络方法相比,该方法精确度较高,不存在泛化能力的问题,取得了令人满意的结果。文中提出的上述几种配色模型为织物染色的计算机配色提供了新的方法,同时也为其在织物染色计算机配色中的应用提供了新的理论参考,具有一定的理论研究价值和实际应用价值。