基于改进BP神经网络的织物染色计算机配色算法研究

论文摘要

本文针对传统的织物染色配色方法,费时费力,精确度不高等缺点,将神经网络技术引进织物染色配色领域。重点是研究不同类型神经网络在织物染色计算机配色中的性能,改进神经网络的训练方法,建立一个具有足够配色精度的织物染色计算机配色模型。首先分析了BP、RBF神经网络的一般理论,结合两种网络分别建立基于神经网络的织物染色计算机配色模型。应用两种模型对样本数据进行仿真训练,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及改进措施。随后针对BP神经网络精确度不高、收敛速度慢等缺点,提出了分别用LMBP算法和OWO-HWO算法来改进标准BP算法并且进行了仿真实验。实验结果表明,两种算法无论是在收敛速度还是训练精度上比标准BP算法有了很大的提高。针对BP神经网络易陷入局部极小点的缺点,将遗传算法引进到BP神经网络中,提出了GA-LMBP算法。算法思想是先利用遗传算法对初始权值进行优化,在解空间中定位出一个极好的搜索空间,然后由LMBP算法在这个小的解空间中搜索出最优解。这样既克服了BP算法容易陷入局部最优,又克服了遗传算法在群体规模较大的情况下收敛较慢的缺陷。最后针对深、中和浅色不同色系的样本,分别用BP、RBF神经网络及基于OWO-HWO算法、LMBP算法和GA-LMBP算法的神经网络模型进行仿真实验。从训练精度,泛化能力等方面进行对比分析,结果表明基于OWO-HWO算法的神经网络模型适合于浅色色系样本;基于GA-LMBP神经网络模型适合于中、深色色系样本。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 本课题的研究背景与意义
• 1.2 计算机配色技术的发展现状和配色形式
• 1.2.1 计算机配色技术的发展现状
• 1.2.2 计算机配色技术的配色形式
• 1.3 人工神经网络的发展及研究现状
• 1.3.1 神经网络的起源和发展
• 1.3.2 神经网络的研究现状
• 1.4 本课题研究的主要内容与创新点
• 第二章 织物染色计算机配色技术的色度学原理
• 2.1 颜色和色彩空间
• 2.1.1 色彩空间
• 2.1.2 色彩混合
• 2.2 色彩的三基色
• 2.3 色彩测量和色差
• 2.4 本章小结
• 第三章 人工神经网络模型
• 3.1 神经网络概述
• 3.1.1 神经网络的类型
• 3.1.2 神经网络的结构原理
• 3.2 BP神经网络
• 3.2.1 BP神经网络原理及算法
• 3.2.2 BP算法存在的缺陷
• 3.3 BP神经网络的改进
• 3.3.1 LM算法
• 3.3.2 OWO-HWO算法
• 3.4 RBF神经网络
• 3.4.1 RBF神经网络的结构
• 3.4.2 RBF神经网络的映射关系
• 3.4.3 RBF神经网络的映射机理
• 3.4.4 RBF神经网络的训练算法
• 3.4.5 BP网络与RBF网络的比较
• 3.5 本章小结
• 第四章 基于遗传算法的BP神经网络模型
• 4.1 遗传算法简介
• 4.2 遗传算法基本原理
• 4.2.1 编码方法
• 4.2.2 适应度函数
• 4.2.3 遗传操作
• 4.2.4 遗传算法流程及终止准则
• 4.3 遗传算法与神经网络的结合
• 4.3.1 神经网络和遗传算法结合原理
• 4.3.2 遗传算法对神经网络的进化方式
• 4.3.3 遗传算法优化神经网络连接权的两种方式
• 4.3.4 基于遗传算法的BP神经网络的流程
• 4.4 本章小结
• 第五章 基于神经网络配色模型的设计与实现
• 5.1 基于神经网络的配色模型概述
• 5.2 网络模型结构的确定
• 5.2.1 输入层和输出层的设计
• 5.2.2 隐层的设计
• 5.3 神经元节点数的确定
• 5.3.1 输入层和输出层神经元个数的确定
• 5.3.2 隐层神经元个数的确定
• 5.4 网络模型设计及参数选择
• 5.5 样本数据的获取及其预处理
• 5.6 训练方式的确定
• 5.7 仿真软件及网络模型的实现
• 5.7.1 网络模型设计实现的原则和过程
• 5.7.2 MATLAB软件及GA-LMBP神经网络模型实现
• 5.7.3 NeuroSolutions仿真软件及RBF神经网络模型实现
• 5.7.4 NuMap仿真软件及基于OWO-HWO算法神经网络模型实现
• 5.8 神经网络模型泛化能力的研究
• 5.9 本章小结
• 第六章 基于神经网络配色模型的仿真实验及结果分析
• 6.1 基于BP和RBF神经网络模型的仿真结果分析
• 6.1.1 极品中三元三拼色的仿真结果
• 6.2 基于LMBP和GA-LMBP神经网络模型的仿真结果分析
• 6.2.1 虹光深三元三拼色的仿真结果
• 6.2.2 极品中三元三拼色的仿真结果
• 6.3 基于OWO-HWO算法和GA-LMBP神经网络模型的仿真结果分析
• 6.3.1 京仁浅三元三拼色的仿真结果
• 6.4 本章小结
• 第七章 总结和展望
• 参考文献
• 攻读学位期间的研究成果
• 致谢