染色体建模.docx
- 文档编号:9973246
- 上传时间:2023-02-07
- 格式:DOCX
- 页数:35
- 大小:203.61KB
染色体建模.docx
《染色体建模.docx》由会员分享,可在线阅读,更多相关《染色体建模.docx(35页珍藏版)》请在冰豆网上搜索。
染色体建模
基于ANFIS和数学建模方法的织物染色计算机配色应用研究
摘要
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(AdaptiveNetwork-basedFuzzyInferenceSystem,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(GeneticAlgorithm,
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((ParticleSwarmOptimization,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。
关键词:
织物染色;ANFIS;数学建模;PSO算法;模拟退火算法
目录
第一章绪论...........................................................1
1.1研究背景与意义............................................……1
1.2国内外研究动态..................................................2
1.2.1计算机配色技术简介..............................……。
…2
1.2.2国内外研究动态...............,...........................3
1.3主要内容与创新点................................................4
第二章织物染色配色原理...............................................6
2.1色度学基本原理...........................................…...6
2.1.1颜色属性............................................……6
2.1.2颜色空间......................……。
...............……6
2.1.3颜色混合....................................……,.……7
2.1.4色差分析.…,.......................................……7
2.2配色的理论基础—Kubelka-Munk理论......................……‘9
2.3计算机配色技术...........................................……9
2.3.1三刺激值配色方法....................................…...9
2.3.2全光谱配色方法..............……,................……10
2.3.3神经网络配色方法.................……。
...........……10
2.4本章小结..............................……。
.…。
......……11
第三章模糊神经网络及优化算法简介....................................12
3.1模糊系统概述............................................……12
3.1.1模糊系统的产生和发展.……。
.......................……12
3.1.2模糊理论的主要研究领域............……,..…‘....……13
3.1.3模糊系统与神经网络的结合...........................……13
3.2基于自适应神经网络的模糊推理系统..............................14
3.2.1ANFIS产生背景...................................……。
14
3.2.2ANFIS的结构..........................……。
.....……14
3.2.2ANFIS的学习算法..................................……16
3.3遗传算法概述..........................……。
...........……16
3.3.1遗传算法与ANF工S的结合原理...........……。
.......……18
3.4粒子群算法概述..........................................……19
3.4.1粒子群算法与ANFIS的结合原理.......................…...20
3.5遗传算法与粒子群算法的比较....................................21
3.6
第四章
4.1
4.2
4.3
4.4
4.5
4.6
第五章
5.1
5.2
5.3
5.4
第六章
6.2
6.3
6.4
6.5
第七章
本章小结.......……。
......……。
....……。
..........……21
基于优化算法改进的ANFIS配色模型的设计与实现。
..........……22
基于ANFIS配色模型结构的确定..…。
......................……22
基于ANFIS配色模型的设计及参数的确定....................……23
学习算法的选择确定·..............................:
............23
4.3.1ANFIS模型的参数优化..……。
......................……24
4.3.2基于GA的ANFIS模型的参数优化。
...................……24
4.3.3基于PSO的ANF工S模型的参数优化。
..…、............……24
样本数据的获取及预处理..................................……25
仿真软件及ANFIS模型的实现.........................……,.…27
本章小结..........................................··..··……33
基于ANFIS配色模型的仿真实验及结果分析.................……34
基于ANFIS配色模型的仿真结果分析........................……34
5.1.1虹光深三元三拼色(CD-3B,CD-R,CD丈青)数据的仿真结果…34
5.1.2极品中三元三拼色(3BS,3RS,FBN)的仿真结果.....……,二35
基于遗传算法改进的ANFIS配色模型的仿真结果分析..…‘....……36
5.2.1虹光深三元三拼色(CD-3B,CD-R,CD丈青)的仿真结果……。
36
5.2.2极品中三元三拼色(3BS,3RS,FBN)的仿真结果.......……37
基于PSO算法改进的ANFIS配色模型的仿真结果分析..........……38
5.3.1虹光深三元三拼色((CD-3B,CD-R,CD丈青)的仿真结果.……38
5.3.2极品中三元三拼色(3BS,3RS:
FBN)的仿真结果........……39
本章小结.....................……;........·...········……40
数学建模方法在织物染色配色中的应用研究..……。
........……41
配色数学模型建立的基础..…。
...........……‘..........……4I
单色染料数学模型的建立...........................……。
……41
6.2.1单色染料浓度与单色小样三刺激值之间的关系..........……41
三拼色染料数学模型的建立................................……42
6.3.1配方浓度与三拼色小样三刺激值之间的关系.‘......……。
…42
6.3.2模型求解分析......................................……46
6.3.4模拟退火算法......……。
.........................……46
6.3.5具体求解步骤.....................................……‘47
计算结果与分析..........................................……48
本章小结...........................……、.........……。
.…49
总结和展望...……‘。
..................................……50
参考文献........................................................……52
弟一草Y}论
第一章绪论
研究背景与意义
近年来,计算机测配色系统发展比较迅速,它结合了计算机技术与颜色测量技
术,迅速融入与着色有关的各行业,推动了颜色科学在工业界的实际应用。
对于纺
织印染行业,计算机测配色系统可以迅速地给出合理的配方,因而降低了印染成本;
而且还能预测出不同光源下颜色的变化程度,避免了不同光源的变化而造成的产品
不合格问题;并能快速地计算出修正配方,提高对色效率;能进行科学化的配方存
档管理。
早期的计算机配色中最广泛应用的基础理论为Kubelka-Munk理论,
Kubelka-Munk理论作了以下假设〔’〕:
I.样品界面上的折射率必须没有变化;
2.光线在介质内须被足够的散射,以致成完全扩散的状态;
3.光线在介质内的运动方向只考虑两个,一个朝上,一个朝下,并垂直于界面;
但在实际配色当中织物的实际情况并不能完全遵守这些假设,所以在很多实验
中发现K/S值与浓度C的关系并不满足直线关系,这样配色的精度就大大地受到了
影响。
近几年来,神经网络在系统建模、非线性预测、模式识别等领域中得到了广
泛的应用,所以很多学者尝试把它用于计算机配色技术中。
使用神经网络进行计算
机配色,首先它不需要我们自己给出数学模型,只需要结合实际生产情况,为神经
网络选择好输入输出变量,然后使用实际生产当中保存下来的配方数据进行网络训
练,系统会自动建立最适合的模型。
其次,由于神经网络具有再学习能力,随着不
断地训练,系统会不断地调整自己,从而进行完善。
然而神经网络配色方法也存在
缺点L幻:
一是因为神经网络模型的黑箱性,我们看不到真正的数学模型,所以理解
和解释起来比较困难。
二是神经网络的不稳定性,我们得到的配色模型具有不稳定
性。
影响织物染色配色的因素很多,比如前期处理工艺中的各种助剂以及温度等因
素。
尤其对那些处在临界色样带上的颜色,它们既可能属于中色也可能属于深色,
因为浅中深色系的划分标准本身就比较模糊,所以把这些小样放到一起进行仿真,
如果遇到临界色域上的样本数据,其仿真结果很难达到理想的效果;另外人工神经
网络类似于一个“黑箱”,缺少透明度,不能够表达模糊语言,而模糊推理能够很好
地表达人脑的推理功能,综合以上各种因素,本人尝试采用两种方法来解决织物染
色配色问题,一种是将神经网络和模糊理论有机结合,试图获得精度更高的仿真效
果;另一种是采用数学建模的方法建立单色及三拼色数学配色模型。
模糊神经网络是把模糊控制和人工神经网络进行了有机结合,具有良好的非线
性逼近能力。
但用梯度下降法进行优化效率较低,而且由此所获得的结果不一定是
最优解,易陷人局部最小,针对以上存在的问题,本文试图引进遗传算法和粒子群
算法改进ANFIS系统来实现织物染色配色模型来减小织物染色配色中的误差。
对于
三拼色数学配色模型的求解归结到非线性方程组的求解问题。
本文试图用模拟退火
算法来求解三拼色数学配色模型的非线性方程组。
.2国内外研究动态
.2.1计算机配色技术简介
计算机配色技术是通过光学仪器获取染色小样的光学信息,然后采用计算机进
行有关的配色计算,最后得到与目标颜色参数最匹配的配色样本的配色配方,该方
法的配色精度和效率都比较高。
一般来说,计算机配色技术涉及到三类配色{:
3];
1.色彩空间的颜色匹配
计算机的屏幕显示颜色采用的是RGB的色彩空间,而打印机的打印颜色使用的
是CMYK的色彩空间,这就存在两种颜色空间的颜色匹配问题,涉及到色彩空间的转
换技术。
所以在色彩应用中的一大难题就是要保持色彩在不同系统、不同设备中色
彩再现的一致性。
解决这个难题涉及到颜色属性的生成、识别、分解和还原。
Laihanen
在1992年提出了色彩再生成的理论〔4'。
Honga等人在1993年提出了色彩调整技术在
四色打印中的应用〔引。
Gentle在1998年研究了彩色图像的数字显示和打印〔6,。
而在
同年陈彬、钱国良、舒文豪等人提出了基于机器学习的色彩匹配技术〔月。
2.彩色印刷的颜色匹配
彩色印刷通过颜色的分解和合成来完成的。
首先把彩色图像分解成三原色,然
后把它们做成分色数据或分色片,最后在输出时经过多种颜色加网后进行套印合成,
重新再现原彩色图像。
因此在色彩复制分解过程中实现色彩的正确再现的关键是分
色的准确性与分色图像之间的定位准确性阳〕。
宋恩民、冯玉才等人在1996年提出了
聚色算法在彩色地图中的应用研究「9〕a
3.染色的色彩匹配
自本世纪30年代计算机染色配色开始发展,当时,CIE创建了三刺激值表色体
系,Hardy制成了自动记录式反射率的分光光度计,Kubelka-Munk提出了光线在不
透明介质中被吸收和散射的理论即著名的Kubelka-Murk理论。
它的主要原理是利用
相关软件测出染色小样的RGB/CMY值,然后通过计算机预测出样本小样对应染料
的浓度值,给出染色小样的染料配方。
为了提高计算机染色配色的精度,许多专家
和学者进行了大量的研究。
海门丁哲和戴维逊在1958年开发了第一台模拟式专用的
2配色计算机COMICoSchettiniR在2001年.用神经网络的方法研究了近似CIECAM97
的颜色空间〔':
'};S.GorjiKandi;和M.AmaniTehran在2006年提出了用遗传算法进行
颜色配方预测的方法〔'}};YoshinobuNayatani和HidekiSakai在2007年提出了一种改
进的颜色匹配模型In-CAM}''};LouisW.Adams,Jr.在2008年提出了用对称性来理
解颜色的属性〔.6)0
.2.2国内外研究动态
国外研究动态:
1931年色度学的理论诞生。
20世纪40年代,Hardy发明了测量物体光谱反射
率的分光光度计,这为以后的颜色测量技术奠定了硬件基础,而Kubelka-Munk理论
则为计算机配色确定了理论基础。
然而直到50年代人们才‘开始利用光谱光度计和
Kubelka一Munk理论在初期的计算机上进行染色配方的模拟计算。
60年代一些大公
司在大型计算机上进行了大量的计算机测配色方面的实验,建立了一些基于计算机
配色方面的数学模型,并摸索出了一些算法。
70年代随着小型机的出现促进了计算
机测配色系统的发展。
80年代之后越来越多的研究进一步促进了计算机测配色技术
的发展。
Berns,Walowit和McCarthy在1988年提出了基于双常数的Kubelka-Munk
理论的分光光谱颜色匹配法}'';90年代以后计算机测配色技术得到了广泛应用。
2000
年Shim,Shigeki和YoshifumiArai研究了不依赖设备的数字彩色图像的神经网络〔,”;
2001年SchettiniR.采用神经网络的方法研究了近似CIECAM97颜色空间〔'3';2006
年M.AmaniTehran和S.GorjiKandi提出了用遗传算法进行颜色配方预测的方法〔14]
2007年YoshinobuNayatani和HidekiSakai提出了一种改进的颜色匹配模型
In-CAM}'S};2008年LouisW.Adams,J。
提出用对称性来描述颜色的属性〔‘6〕。
目前计算
机配色技术正由染料厂、印染厂向涂料厂、印刷厂、塑料厂等扩展。
国内研究动态:
我国在计算机测配色方面的研究起步比较晚一。
从80年代开始天津纺织研究所,
沈阳化工研究院以及天津工学院等单位才开始这方面的研究。
1984年沈阳化工研究
院开始研究计算机测配色系统,推出了国内最早的中文配色软件:
SRICI(思维士)
配色软件,这个软件主要实现了以下功能:
颜色测量以及质量控制,单一织物的配
色和修正,混纺织物的配色和修正及颜色配方库管理等。
此外在原纺织部的重视下,
电子计算机测配色系统被立题为“七五,’攻关项目之一,该项目组在1991年3月份完
成了小批量电子测配色系统的开发,并于同年5月份通过了国家鉴定。
而江苏省纺
织研究所设计了一套配色软件实现了全套系统的国产化,该软件主要适用于纺织品
的国产染料的配色,并且有底物转移及批量校正等功能。
90年代,我国很多学者研究了三刺激值配色方法,并取得了一定的理论成就。
苏州大学的徐汀荣在2000年提出了计算机配色的逼近算法,首先通过输入大量染料
配方的经验数据建立配方数据库,然后根据待匹配的目标色,在配方数据库中查找
与目标色色差最小的用相同原色配色的配方,最终给出目标色的配色方案〔Z2]。
近几
年来,随着神经网络技术的日趋成熟,人们开始尝试把神经网络技术引入到计算机
配色当中。
2000年郭茂祖、王亚东和苏晓红等人提出了基于BP神经网络的色彩匹
配方法〔z:
;]。
谢春萍、王汇锋等人在2006年研究了在毛纺测配色系统中应用基于人工
神经网络的颜色识别方法〔川。
廖宁放、杨涛、吴文敏等人在2006年建立了基于人工
神经网络的水性涂料电脑测配色系统〔1''02007年王莹等提出了基于OWO-HWO算
法的MLP网络在织物染色配色中的应用〔I6]02008年聂晴晴等研究了贝叶斯改进BP
神经网络在织物染色配色中应用〔I''02010年1月温泉、周华等研究了毛混色纺纱智
能配色软打样系统〔28J。
2010年2月陈勇平、王金林、李春生等人设计了应用于木材
单板染色方面的计算机测配色系统〔29]0
3主要内容与创新点
本文主要是将神经网络与模糊推理相结合应用到织物染色配色中去,建立基于
自适应神经网络的模糊推理系统的计算机配色模型,通过引入遗传算法和粒子群算
法来优化基于自适应神经网络的模糊推理系统的前件参数,研究不同算法改进的基
于自适应神经网络的模糊推理系统模型在织物染色配色中的性能,利用染色数据进
行网络训练和测试,对仿真结果进行分析比较,调整网络训练方法,建立一个具有
高精度的计算机染色配色模型。
1.主要的研究内容:
(1)了解问题的实际背景,收集各种必要的信息。
获取织物标样,对标样进行分
类管理,建立织物样本数据库。
-
(2)针对当前神经网络配色方法的缺点,将ANFIS引入织物染色配色中,建立基
于ANFIS的织物染色配色模型,针对ANFIS自带优化算法一梯度下降法优化效率低,
易陷入局部最小点的缺点,分别用遗传算法和粒子群算法来优化ANFIS的前件参数,
提高ANFIS的训练速度和精度。
(3)分别对提出的基于GA算法和PSO算法改进的ANFIS系统的织物染色配色
模型进行建模、分析和验证。
(4)从织物染色的配色特点和颜色的混合性理论出发,对相关问题进行分析与抽
象,对染色数据进行分析,找出配方浓度与色料属性值之间的变化规律。
(5)采用数学建模的方法,根据配方浓度与色料属性值CMY之间的变化规律,
建立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
4型进行求解,采用测试数据对模型进行验证,并对计算结果进行分析。
2.特点和主要创新点:
(1)比较全面和系统地研究了不同算法优化ANFIS系统的织物配色模型的性能,
包括配方效率、精度和误差分析等。
(2)引入遗传算法和粒子群算法来优化ANFIS的前件参数,克服了梯度下降法
优化效率低,易陷入局部最小点的缺点。
(3)针对提出的算法建立网络模型,通过实验后数据的分析对比,该模型将比传
统的配色方法在配色精度方面有很大的提高。
(4)通过研究织物配色原理,分析染色数据,采用假设检验的方法,建立三拼色
数学配色模型,并通过模拟退火算法对模型进行了求解验证。
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。
第二章织物染色配色原理
2.1色度学基本原理
人眼对光波刺激的反映是颜色感觉,我们的眼睛对不同光刺激的反映不同,所
以这种反映是由于人眼的颜色视觉,物体的光学性质以及照射在物体上的光所共同
决定的。
国际照明委员会(CIE)在20世纪30年代建立了一套颜色表示、颜色计算和
颜色测量的体系,称为CIE标准色度学系统〔:
;n0
2.1.1颜色属性
颜色包括彩色和非彩色两个系列,非彩色系列包括白色、黑色和介于两者之间
的灰色,剩下的其它所有的颜色都归于彩色系列。
一般用明度(亮度或纯度)、色调
(主波长或补色主波长)和色纯度(饱和度)三个参数来表示颜色。
明度表示颜色
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 染色体 建模