1、印染環(huán)境中不穩(wěn)定的照射光源會引起織物表面顏色的變化從而導(dǎo)致嚴重的色差評價誤差，影響產(chǎn)品的質(zhì)量。在傳統(tǒng)的紡織印染行業(yè)中，染色品顏色的校正主要依靠具有豐富辨色經(jīng)驗的專業(yè)人員使用人眼來完成。這種人工方法投入成本高，存在一定的主觀性，效率低下。因此利用機器學(xué)習(xí)的理論和方法自動高效地估計出場景的光照色度，提高染色品顏色校正的準確性，使其與標準色樣一致，是非常有意義的研究方向。本文的研究工作主要圍繞單一光照下基于機器學(xué)習(xí)的技術(shù)構(gòu)建具有良好泛化能力和

2、穩(wěn)定性的光照色度估計模型，并用于解決印染過程中紡織品顏色校正問題。論文的主要工作和研究成果概括如下：
　?。?）對顏色校正的基本概念和研究現(xiàn)狀進行了簡要的介紹，分析和比較了各種顏色校正算法的特點及優(yōu)缺點。重點研究了具有較好性能的基于極限學(xué)習(xí)機（Extreme Learning Machine,ELM）的顏色校正算法，并對極限學(xué)習(xí)機的工作原理和存在的問題進行了深入的分析和討論，為本文的后續(xù)工作提供理論基礎(chǔ)。
　?。?）針對EL

3、M的訓(xùn)練精度和穩(wěn)定性易受網(wǎng)絡(luò)輸入權(quán)值和隱含層偏置隨機給定的影響，提出了一種基于Bagging的集成PSO-ELM光照預(yù)測模型。首先，利用粒子群優(yōu)化（Particle Swarm Optimization,PSO）算法良好的全局搜索能力對極限學(xué)習(xí)機模型的輸入權(quán)值矩陣和隱含層偏差進行迭代優(yōu)化，形成改進的PSO-ELM光照預(yù)測模型；同時，為了進一步提高算法的性能，采用集成技術(shù)Bagging算法，生成多個差異度大的PSO-ELM子網(wǎng)絡(luò)；最后，通

4、過簡單平均法將各個訓(xùn)練好的PSO-ELM進行融合，構(gòu)成集成改進極限學(xué)習(xí)機Bagging-PSO-ELM光照估計模型。實驗結(jié)果表明，相比于傳統(tǒng)的基于ELM的顏色校正方法，該模型取得了較高的預(yù)測精度，具有較強的泛化能力和良好的穩(wěn)定性。
　?。?）針對基于支持向量回歸（Support Vector Regression,SVR）的顏色校正算法學(xué)習(xí)效率低、單輸出、以及預(yù)測精度不高的問題，將核函數(shù)引入到極限學(xué)習(xí)機中，提出了一種基于核極限學(xué)習(xí)