1、傳統(tǒng)的織物染色配色一般是依靠配色人員自身的經驗和知識來進行的，這就造成了這種方法工作量大并且耗費材料和時間的缺點，本文針對傳統(tǒng)方法的缺點提出了采用基于貝葉斯改進BP神經網絡的計算機配色方法。根據神經網絡可以很好的解決非線性問題的優(yōu)點，來建立一個既可以精度高又可以有較強的泛化能力的網絡模型。 文章首先介紹了計算機配色以及顏色色度學的一些理論知識，針對計算機配色的優(yōu)點提出了采用神經網絡來進行織物染色的配色。接著對于神經網絡進行了具體

2、的介紹，包括神經網絡的原理、特征以及研究的現狀，以及介紹了幾種常用的網絡模型。 隨后本文主要介紹了BP網絡和RBF網絡的一些理論知識，根據這兩種網絡的各自的特點采用不同的方法建立網絡模型，針對遺傳算法全局搜索的特點，結合RBF網絡的特點，文中提出了采用基于遺傳算法的RBF神經網絡模型進行實驗；針對BP網絡收斂速度慢，網絡誤差較大而LM算法的精確度較高的特點，文中提出了采用基于貝葉斯正規(guī)化算法與LM算法結合的方法，不僅可以解決收斂

3、速度慢的問題，而且在網絡的泛化方面也有了一定的進步。該算法主要是對誤差函數進行了修改，從而達到提高泛化能力的要求。本文主要研究的就是如何提高網絡的泛化能力，而基于貝葉斯正規(guī)化算法與LM算法結合的方法證明采用該方法可以較好的實現網絡的泛化。 最后利用從工廠提取的深色、中色和淺色的不同樣本數據，分別采用了基于遺傳算法的RBF網絡方法、基于貝葉斯與LM算法結合的方法與傳統(tǒng)的LM算法和自適應學習速率算法進行比較，從仿真的濃度精確度以及網