基于ANFIS和數(shù)學建模方法的織物染色計算機配色應(yīng)用研究.pdf

1、由于傳統(tǒng)的織物染色配色方法費時費力，精確度不高，在研究自適應(yīng)神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)(AdaptiveNetwork-basedFuzzyInferenceSystem,ANFIS)理論及配色原理的基礎(chǔ)上，本文提出了兩種計算機配色方法，一種是將ANFIS技術(shù)引入到織物染色計算機配色的領(lǐng)域，建立了一個具有足夠配色精度的基于ANFIS的織物染色計算機配色模型。另一種是從織物染色的配色特點和顏色的混合性理論出發(fā)，對配色過程中的相關(guān)問題進行了分析

2、與抽象，提取主要影響因素，建立了三拼色數(shù)學配色模型。并采用模擬退火算法對模型進行了求解。
　　 文中首先分析了自適應(yīng)神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)的一般理論，建立了基于ANFIS的織物染色計算機配色模型。應(yīng)用該模型對樣本數(shù)據(jù)進行仿真訓練，并與以往的基于神經(jīng)網(wǎng)絡(luò)的配色模型進行了比較，在比較了兩種不同網(wǎng)絡(luò)模型的預(yù)測誤差和網(wǎng)絡(luò)性能的基礎(chǔ)上，分析了它們的優(yōu)缺點并提出了改進措施。
　　 隨后本文針對ANFIS易陷入局部極小點的缺點，將遺傳

3、算法(GeneticAlgorithm,GA)引進到ANFIS中，提出了基于GA改進的ANFIS的織物染色配色模型。針對ANFIS模型的配色精確度不是太高、收斂速度慢等缺點，本文還提出了利用粒子群優(yōu)化算法(ParticleSwarmOptimization,PSO)來改進標準的ANFIS并且進行了仿真實驗。實驗結(jié)果表明基于遺傳算法改進的ANFIS模型比標準的ANFIS模型仿真誤差小，收斂速度快，而基于粒子群算法優(yōu)化的ANFIS模型比基于

4、遺傳算法優(yōu)化的ANFIS模型誤差更小，收斂速度更快，能夠較準確地預(yù)測出織物染色的配方。
　　 論文最后一章通過對染色數(shù)據(jù)進行分析，發(fā)現(xiàn)三拼色染色小樣的CMY值與染料濃度之間存在非線性關(guān)系，并通過數(shù)學建模的方法，建立了單色數(shù)學配色模型與三拼色數(shù)學配色模型，并通過模擬退火算法對數(shù)學配色模型進行了求解，計算結(jié)果證明：與神經(jīng)網(wǎng)絡(luò)方法相比，該方法精確度較高，不存在泛化能力的問題，取得了令人滿意的結(jié)果。
　　 文中提出的上述幾種配色