[发明专利]一种色纺纱智能选色配色方法

权利要求书

1.一种色纺纱智能选色配色方法，其特征在于，采用模块化人工神经网络选色模型和全光谱配色计算，包括以下步骤；

(1)建立基础单色和标准样品数据库；单色纤维用光谱光度仪测试得到单色纤维反射率R_i，将单色纤维反射率R_i数据贮存于基础单色数据库中，i＝1,2,…,n；挑选已知配方的样品将其定义为标准样，将标准样通过光谱光度仪测试得到的整体反射率R_S数据作为标准样数据库；

(2)模块化人工神经网络选色模型的构建与训练；构建模块化人工神经网络选色模型以整体反射率R_S为输入数据，集成若干步骤(1)标准样数据库中的整体反射率R_S及其对应的已知配方用于训练选色模型，将整体反射率R_S分成若干与单色纤维反射率R_i相关的子网络模块，分别进行训练，经整合后输出构成标准样的单色组合集R_n，n≤i；

选色模型具体训练过程如下，

任务：实现输入反射率R_S(λ)与目标输出X之间的映射；

输入：代表色纺纱样品特征的l个反射率数据R_S(λ)(l×1维)；

1)集成m个样品反射率R_S(λ)(l×m维)和相应配方X(n×m维)，以及染色纤维反射率R_i(λ)(l×n维)；

2)数据分解成U₁,U₂,…,U_n子模块：(l×m维)，分别对应配方x₁,x₂,…x_n,(l×m维)；

3)将每个U数据集分为三部分:第二训练数据、第二验证数据、第二测试数据；

4)U数据集输入数据归一化处理，采用最大最小方法；

5)将子网络从1到n分别进行训练；

6)网络结构的选择(神经元数目，训练算法)；

7)初始化的权重和偏差，设置最大的迭代次数：iter的最大，最小误差：误差最小；

8)训练过程时，神经元从1个到最大的iter过程，修正权重和偏差，直到网络输出误差小于设置误差，并且由验证数据和训练数据进行交叉验证(cross–validation)，避免陷入局部极小值；

9)保存所有子神经网络结构和最优参数；

10)冻结MANN网络结构MANN_i；

11)由MANN对测试数据进行预测，从i＝1,...,n分别依次输出x₁’,x₂’,…x_n’，利用∑xi＝1和含量权重优先法由整合模型输出x₁,x₂,…x_n；

12)输出结果R_n:X＝(x₁,x₂,…x_n)^T；

MANN结构和MANN子网络均取为3层前向网络结构，MANN子网络的隐层选用10个节点，网络训练均采用Levenberg-Marquardt算法，设网络的学习率为0.01，隐层和输出层的传递函数分别为Sigmoid和线性函数，训练时采用的是4-折交叉验证(4-fold-5cross–validation)来提高泛化能力，得到训练均方误差(MSE)为4.45×10；

所述步骤(2)中模块化人工神经网络选色模型包括任务分解模块、子网络模块和整合模块3个部分，所述任务分解模块根据标准样整体反射率R_S(λ)与单色纤维反射率R_i(λ)之间的相关性公式来分解，相关性公式如式(1)所示，

即，先将输入数据标准样整体反射率R_S(λ)分解成i个子网络模块，子网络模块输入数据为输出为x_i，每个分别对应配方x_i，经初始化后，将分解得到的子网络分别进行训练和验证，最后各子网络经整合模块将输出的x_i连起来形成最终结果X，所述整合模块的整合方法为舍弃所有的x_i1％的单色，剩余的x_i对应的n个单色构成匹配单色集R_n，n≤i，λ为波长；

(3)用光谱光度仪测定来样的整体反射率R_p，作为待匹配对象；

(4)以步骤(3)中测得的来样的整体反射率R_p作为输入数据，单色数据库中单色纤维反射率R_i作为备选色，用步骤(2)训练过的模块化人工神经网络选色模型进行分析，得到X＝[x₁,x₂,x₃,…,x_n]^T，经整合后输出构成来样的单色组合集R_m，m≤n；

(5)全光谱配色计算，运用混色模型，结合全光谱配色算法对来样R_p经过步骤(4)

筛选出的单色反射率R_m直接进行匹配，全光谱配色计算采用最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小，得到配方组成单色对应的拼色比例Y，获得配方Y＝(F^T×F)^-1×F^T×F^S，

其中；来样单色集y_i表示织物中i组分单色所占的质量比例；

(6)配方修正；按步骤(5)获得的配方均匀混和后在横机上织片仿样，计算来样与仿样之间的色差，色差在允许范围内，则打印配方；否则，根据两者之间在各波长下反射率的色差，采用全光谱迭代修正方法修正配方，直到满足要求后输出配方。