1、傳統(tǒng)的織物染色配色方法存在精確度不高、效率較低等諸多弊端，這種方法已經(jīng)無法適應(yīng)如今印染行業(yè)小批量、多樣式、交貨快的生產(chǎn)需要。人工神經(jīng)網(wǎng)絡(luò)，尤其是BP網(wǎng)絡(luò)的引入為解決這一類問題提供了新的手段。然而大規(guī)模的訓(xùn)練樣本集加上BP網(wǎng)絡(luò)本身的弊端導(dǎo)致了網(wǎng)絡(luò)訓(xùn)練時間長、收斂速度慢，這些問題使BP網(wǎng)絡(luò)用于織物染色配方的預(yù)測遇到了極大的挑戰(zhàn)。為此，本文提出從BP算法本身的改進(jìn)和樣本集的聚類精簡等兩個不同的方面來提高基于BP網(wǎng)絡(luò)的織物染色配色模型的性能。

2、 論文首先介紹了神經(jīng)網(wǎng)絡(luò)的基本原理和常用的網(wǎng)絡(luò)模型-BP神經(jīng)網(wǎng)絡(luò)，針對BP算法本身的弊端，分析對比了兩種不同的改進(jìn)BP算法，綜合考慮各項(xiàng)性能指標(biāo)并最終確定用LM算法來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)織物染色配色模型。同時，結(jié)合色差原理和聚類分析原理，經(jīng)過研究發(fā)現(xiàn)在Lab色彩空間下布料樣本集屬于可聚類結(jié)構(gòu)，這為樣本的聚類分析進(jìn)而精簡樣本集奠定了理論基礎(chǔ)。 隨后，根據(jù)訓(xùn)練BP網(wǎng)絡(luò)的需要，先后進(jìn)行了樣本集的采集、色彩空間轉(zhuǎn)換、聚類分析、標(biāo)準(zhǔn)化等

3、工作，并最終確定了基于聚類的BP神經(jīng)網(wǎng)絡(luò)織物染色配色模型的教師樣本和檢驗(yàn)樣本。接著給出了網(wǎng)絡(luò)模型的具體構(gòu)建過程。 最后分別用基于動量的BP神經(jīng)網(wǎng)絡(luò)和基于LMBP的神經(jīng)網(wǎng)絡(luò)對聚類后的樣本集進(jìn)行訓(xùn)練，比較二者在網(wǎng)絡(luò)的收斂速度和訓(xùn)練精度的性能差異：用基于LMBP的神經(jīng)網(wǎng)絡(luò)分別對全體樣本集和聚類精簡樣本集進(jìn)行訓(xùn)練，比較二者在收斂速度的差異：用基于LMBP的神經(jīng)網(wǎng)絡(luò)分別對隨機(jī)選取精簡的樣本和聚類精簡的樣本進(jìn)行訓(xùn)練，比較二者在泛化能力上的差