CN111553114B - 一种基于数据驱动的纺织印染智能配色方法 - Google Patents

一种基于数据驱动的纺织印染智能配色方法 Download PDF

Info

Publication number
CN111553114B
CN111553114B CN202010281946.5A CN202010281946A CN111553114B CN 111553114 B CN111553114 B CN 111553114B CN 202010281946 A CN202010281946 A CN 202010281946A CN 111553114 B CN111553114 B CN 111553114B
Authority
CN
China
Prior art keywords
value
model
dye
data
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010281946.5A
Other languages
English (en)
Other versions
CN111553114A (zh
Inventor
李锋
陈彩婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
Original Assignee
Donghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN202010281946.5A priority Critical patent/CN111553114B/zh
Publication of CN111553114A publication Critical patent/CN111553114A/zh
Application granted granted Critical
Publication of CN111553114B publication Critical patent/CN111553114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/12—Cloth
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明涉及一种基于数据驱动的纺织印染智能配色方法，属于纺织印染技术领域。本发明提供的方法围绕机器学习中的有监督学习，设计一种基于非线性回归与决策树(Decision Tree)模型相结合的算法预测目标色样的所需配方，并建立二次回归误差修正模型，提高染料预测值的精度。本发明方法以企业提供印染实验数据为基础，构建学习模型，具有较强的稳定性与准确度。

Description

一种基于数据驱动的纺织印染智能配色方法
技术领域
本发明涉及一种基于数据驱动的纺织印染智能配色方法，属于纺织印染技术领域。
背景技术
纺织业在我国经济中占有巨大的市场，而织物印染技术是纺织行业技术发展的关键之一。近年来，随着电子技术，计算机技术以及数学、物理等学科的发展，自动化配色开始出现在纺织品配色领域，其高精度、高效率的特性为印染配色带来巨大的发展空间。传统的计算机配色系统为围绕配色基本理论：三刺激值理论与色料混合理论。现有自动配色方法利用直接对大量实验数据进行数值分析，进而得出目标色样特征值与各染料用量的关系。例如使用多元线性回归，建立染料质量浓度与颜色特征的多元回归模型；利用BP神经网络训练模型，进行配方预测等。随着织物印染技术的进一步发展，本技术领域需要更加稳定与准确的方法，提高染料预测值的精度。
发明内容
本发明的目的是为解决提高染料预测值精度的技术问题。
为达到解决上述问题的目的，本发明所采取的技术方案是提供一种基于数据驱动的纺织印染智能配色方法，包括以下步骤：
步骤1：预测配方所需染料集合：处理原始印染数据，得到不同染料名集合；根据集合对各个染料构建决策树模型，以目标色样的LAB值作为模型输入值，得出预测信息：配方中是否需要当前染料；最终得出配方所需的染料名集合；步骤1的主要子过程包括：
步骤1.1：处理原始印染数据，将不同的染料名称标志存储为列表；
步骤1.2：遍历染料列表，对每一种染料与原始印染数据再做以下操作：
步骤1.2.1：定义标签数组label[]；
步骤1.2.2：准备训练数据：遍历原始印染数据，提取第i条数据，即一个配方中所需染料集合，若存在当前染料，则将label[i]置为1，否则置为0，得到一个与原始印染数据对应的label数组；最终得到训练数据：将配色结果色样的LAB值作为特征值，label数组作为目标值；
步骤1.2.3：选取决策树最大深度参数(max_depth)：使用决策树分离器构造决策树模型，选取熵作为模型标准参数；遍历1-10间的整数，以模型得分score为评判标准，选取使score最高的数作为max_depth参数；
步骤1.2.4：训练决策树模型：根据步骤1.2.3中所得最大深度参数max_depth，使用训练数据构建决策树模型；
步骤1.2.5：将当前决策树模型序列化，存储为pkl格式的文件；
步骤1.2.6：将输入的目标色样LAB值作为预测特征，模型自动判断是否需要当前染料；
步骤1.3：将所有需要的染料形成配方所需染料集合(dyeList)；
步骤2：预测配方中各染料比例值：处理原始印染数据，得到不同的配方集合；选取与步骤1中结果一致的数据集作为训练数据，构建非线性回归模型，以目标色样的LAB值作为模型输入值，计算各类染料所需的比例值；步骤2的主要子过程包括：
步骤2.1：准备训练数据：依据步骤1所得配方所需染料集合dyeList，读取对应存储该配方数据的文件，将配色结果色样的Lab值作为特征值，当前染料对应所需比例值作为目标值；
步骤2.2：划分数据集：使用train_test_split方法将数据集划分为训练集(train_val)与测试集(test)，其中测试集占数据总量的0.2，再将训练集(train_val)划分为2份(train与val)，其中val数据集占train_val数据总量的0.3；
步骤2.3：构建非线性双曲回归模型，回归得出配方内当前染料所需比例值；
步骤2.3.1：分别对特征值与目标值标准化；
步骤2.3.2：模型使用RBF核函数，利用网格搜索(GridSearchCV)选取最优参数：将惩罚系数C选择列表设为[1e1,1e2,1e3,1e4],核函数系数gamma；
步骤2.3.3：将训练数据集用于当前模型训练；
步骤2.3.4：将val数据集用以模型预测，求出一次回归模型预测误差数组y_val_error：测试集y_val-预测值y_val_pre；
步骤2.3.5：将当前一次回归模型序列化，存储为pkl格式文件；
步骤2.4：构建二次支持向量回归模型，对误差进行修正：
步骤2.4.1：使用改进粒子群算法(PSO)，参数设置为：惯性权范围：w_max＝0.9,w_min＝0.4，参数范围max_value＝20,min_value＝0.0001；
步骤2.4.2：构建双曲模型：在当前参数组合(C，gamma)下，使用将val数据集中配色结果色样的Lab值作为特征值，以上得到的y_val_error数组作为预测值，来训练该模型；
步骤2.4.3：计算适应度函数值，两次回归模型预测值的误差：test数据集分别用到两个回归模型中，得出的总体预测值y_pre＝一次SVR的配料预测值y_test_pre+误差预测值y_error_pre；将error＝实际值y_test-总体预测值y_test作为适应度函数；
步骤2.4.4：粒子群位置更新：
调节惯性权重公式：
Figure BDA0002446917840000031
学习因子公式：
Figure BDA0002446917840000032
其中，k为当前迭代次数，kmax为最大迭代次数；
根据error不断优化选取最佳参数，使error最小；
步骤2.5：将输入的目标色样Lab值作为预测特征，经一次回归模型和以上最佳参数组合得出的二次误差回归模型，预测当前染料所需比例值；将当前二次误差回归模型序列化，存储为pkl格式文件；
步骤2.6：根据步骤1预测的配方所需染料集合dyeList，对集合中每种染料，从步骤2.1开始处理数据、训练模型、预测，最终得到一个配料用量表usageList。
本发明的目的在于提供一种基于原始印染配色数据驱动，使用机器学习相关模型，预测目标色样所需配方，实现计算机自动配色的方法。
相比现有技术，本发明具有如下有益效果：
本方法围绕机器学习中的有监督学习，设计一种基于非线性回归与决策树(Decision Tree)模型相结合的算法预测目标色样的所需配方，并建立二次回归误差修正模型，提高染料预测值的精度；本发明方法以企业提供印染实验数据为基础，构建学习模型，具有较强的稳定性与准确度。
附图说明
图1为本发明利用决策树算法预测使用配料的模型学习与预测流程图；
图2为本发明利用SVR预测配料所需用量的模型学习与预测流程图；
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下：
如图1-2所示，本发明提供一种基于数据驱动的纺织印染智能配色方法，包括以下步骤：
步骤1：预测配方所需染料集合：处理原始印染数据，得到不同染料名集合；根据集合对各个染料构建决策树模型，以目标色样的LAB值作为模型输入值，得出预测信息：配方中是否需要当前染料；最终得出配方所需的染料名集合；步骤1的主要子过程包括：
步骤1.1：处理原始印染数据，将不同的染料名称标志存储为列表；
步骤1.2：遍历染料列表，对每一种染料与原始印染数据再做以下操作：
步骤1.2.1：定义标签数组label[]；
步骤1.2.2：准备训练数据：遍历原始印染数据，提取第i条数据，即一个配方中所需染料集合，若存在当前染料，则将label[i]置为1，否则置为0，得到一个与原始印染数据对应的label数组；最终得到训练数据：将配色结果色样的LAB值作为特征值，label数组作为目标值；
步骤1.2.3：选取决策树最大深度参数(max_depth)：使用决策树分离器构造决策树模型，选取熵作为模型标准参数；遍历1-10间的整数，以模型得分score为评判标准，选取使score最高的数作为max_depth参数；
步骤1.2.4：训练决策树模型：根据步骤1.2.3中所得最大深度参数max_depth，使用训练数据构建决策树模型；
步骤1.2.5：将当前决策树模型序列化，存储为pkl格式的文件；
步骤1.2.6：将输入的目标色样LAB值作为预测特征，模型自动判断是否需要当前染料；
步骤1.3：将所有需要的染料形成配方所需染料集合(dyeList)；
步骤2：预测配方中各染料比例值：处理原始印染数据，得到不同的配方集合；选取与步骤1中结果一致的数据集作为训练数据，构建非线性回归模型，以目标色样的LAB值作为模型输入值，计算各类染料所需的比例值；步骤2的主要子过程包括：
步骤2.1：准备训练数据：依据步骤1所得配方所需染料集合dyeList，读取对应存储该配方数据的文件，将配色结果色样的Lab值作为特征值，当前染料对应所需比例值作为目标值；
步骤2.2：划分数据集：使用train_test_split方法将数据集划分为训练集(train_val)与测试集(test)，其中测试集占数据总量的0.2，再将训练集(train_val)划分为2份(train与val)，其中val数据集占train_val数据总量的0.3；
步骤2.3：构建非线性双曲回归模型，回归得出配方内当前染料所需比例值；
步骤2.3.1：分别对特征值与目标值标准化；
步骤2.3.2：模型使用RBF核函数，利用网格搜索(GridSearchCV)选取最优参数：将惩罚系数C选择列表设为[1e1,1e2,1e3,1e4],核函数系数gamma；
步骤2.3.3：将训练数据集用于当前模型训练；
步骤2.3.4：将val数据集用以模型预测，求出一次回归模型预测误差数组y_val_error：测试集y_val-预测值y_val_pre；
步骤2.3.5：将当前一次回归模型序列化，存储为pkl格式文件；
步骤2.4：构建二次支持向量回归模型，对误差进行修正：
步骤2.4.1：使用改进粒子群算法(PSO)，参数设置为：惯性权范围：w_max＝0.9,w_min＝0.4，参数范围max_value＝20,min_value＝0.0001；
步骤2.4.2：构建双曲模型：在当前参数组合(C，gamma)下，使用将val数据集中配色结果色样的Lab值作为特征值，以上得到的y_val_error数组作为预测值，来训练该模型；
步骤2.4.3：计算适应度函数值，两次回归模型预测值的误差：test数据集分别用到两个回归模型中，得出的总体预测值y_pre＝一次SVR的配料预测值y_test_pre+误差预测值y_error_pre；将error＝实际值y_test-总体预测值y_test作为适应度函数；
步骤2.4.4：粒子群位置更新：
调节惯性权重公式：
Figure BDA0002446917840000061
学习因子公式：
Figure BDA0002446917840000062
其中，k为当前迭代次数，kmax为最大迭代次数；
根据error不断优化选取最佳参数，使error最小；
步骤2.5：将输入的目标色样Lab值作为预测特征，经一次回归模型和以上最佳参数组合得出的二次误差回归模型，预测当前染料所需比例值；将当前二次误差回归模型序列化，存储为pkl格式文件；
步骤2.6：根据步骤1预测的配方所需染料集合dyeList，对集合中每种染料，从步骤2.1开始处理数据、训练模型、预测，最终得到一个配料用量表usageList。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

Claims (1)

1.一种基于数据驱动的纺织印染智能配色方法，其特征在于，包括以下步骤：
步骤1：预测配方所需染料集合：处理原始印染数据，得到不同染料名集合；根据集合对各个染料构建决策树模型，以目标色样的LAB值作为模型输入值，得出预测信息：配方中是否需要当前染料；最终得出配方所需的染料名集合；步骤1的主要子过程包括：
步骤1.1：处理原始印染数据，将不同的染料名称标志存储为列表；
步骤1.2：遍历染料列表，对每一种染料与原始印染数据再做以下操作：
步骤1.2.1：定义标签数组label[]；
步骤1.2.2：准备训练数据：遍历原始印染数据，提取第i条数据，即一个配方中所需染料集合，若存在当前染料，则将label[i]置为1，否则置为0，得到一个与原始印染数据对应的label数组；最终得到训练数据：将配色结果色样的LAB值作为特征值，label数组作为目标值；
步骤1.2.3：选取决策树最大深度参数max_depth：使用决策树分离器构造决策树模型，选取熵作为模型标准参数；遍历1-10间的整数，以模型得分score为评判标准，选取使score最高的数作为max_depth参数；
步骤1.2.4：训练决策树模型：根据步骤1.2.3中所得最大深度参数max_depth，使用训练数据构建决策树模型；
步骤1.2.5：将当前决策树模型序列化，存储为pkl格式的文件；
步骤1.2.6：将输入的目标色样LAB值作为预测特征，模型自动判断是否需要当前染料；
步骤1.3：将所有需要的染料形成配方所需染料集合dyeList；
步骤2：预测配方中各染料比例值：处理原始印染数据，得到不同的配方集合；选取与步骤1中结果一致的数据集作为训练数据，构建非线性回归模型，以目标色样的LAB值作为模型输入值，计算各类染料所需的比例值；步骤2的主要子过程包括：
步骤2.1：准备训练数据：依据步骤1所得配方所需染料集合dyeList，读取对应存储该配方数据的文件，将配色结果色样的Lab值作为特征值，当前染料对应所需比例值作为目标值；
步骤2.2：划分数据集：使用train_test_split方法将数据集划分为训练集train_val与测试集test，其中测试集占数据总量的0.2，再将训练集train_val划分为2份train与val，其中val数据集占train_val数据总量的0.3；
步骤2.3：构建非线性双曲回归模型，回归得出配方内当前染料所需比例值；
步骤2.3.1：分别对特征值与目标值标准化；
步骤2.3.2：模型使用RBF核函数，利用网格搜索GridSearchCV选取最优参数：将惩罚系数C选择列表设为[1e1,1e2,1e3,1e4],核函数系数gamma；
步骤2.3.3：将训练数据集用于当前模型训练；
步骤2.3.4：将val数据集用以模型预测，求出一次回归模型预测误差数组y_val_error：测试集y_val-预测值y_val_pre；
步骤2.3.5：将当前一次回归模型序列化，存储为pkl格式文件；
步骤2.4：构建二次支持向量回归模型，对误差进行修正：
步骤2.4.1：使用改进粒子群算法PSO，参数设置为：惯性权范围：w_max＝0.9,w_min＝0.4，参数范围max_value＝20,min_value＝0.0001；
步骤2.4.2：构建双曲模型：在当前参数组合C，gamma下，使用将val数据集中配色结果色样的Lab值作为特征值，以上得到的y_val_error数组作为预测值，来训练该模型；
步骤2.4.3：计算适应度函数值，两次回归模型预测值的误差：test数据集分别用到两个回归模型中，得出的总体预测值y_pre＝一次SVR的配料预测值y_test_pre+误差预测值y_error_pre；将error＝实际值y_test-总体预测值y_test作为适应度函数；
步骤2.4.4：粒子群位置更新：
调节惯性权重公式：
Figure FDA0003583787040000021
学习因子公式：
Figure FDA0003583787040000022
其中，k为当前迭代次数，kmax为最大迭代次数；
根据error不断优化选取最佳参数，使error最小；
步骤2.5：将输入的目标色样Lab值作为预测特征，经一次回归模型和以上最佳参数组合得出的二次误差回归模型，预测当前染料所需比例值；将当前二次误差回归模型序列化，存储为pkl格式文件；
步骤2.6：根据步骤1预测的配方所需染料集合dyeList，对集合中每种染料，从步骤2.1开始处理数据、训练模型、预测，最终得到一个配料用量表usageList。
CN202010281946.5A 2020-04-11 2020-04-11 一种基于数据驱动的纺织印染智能配色方法 Active CN111553114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010281946.5A CN111553114B (zh) 2020-04-11 2020-04-11 一种基于数据驱动的纺织印染智能配色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010281946.5A CN111553114B (zh) 2020-04-11 2020-04-11 一种基于数据驱动的纺织印染智能配色方法

Publications (2)

Publication Number Publication Date
CN111553114A CN111553114A (zh) 2020-08-18
CN111553114B true CN111553114B (zh) 2022-10-11

Family

ID=72000026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010281946.5A Active CN111553114B (zh) 2020-04-11 2020-04-11 一种基于数据驱动的纺织印染智能配色方法

Country Status (1)

Country Link
CN (1) CN111553114B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288258B (zh) * 2020-10-22 2024-04-09 南通大学 一种芳纶粘胶织物电弧防护性能atpv值的评价方法
TWI764423B (zh) * 2020-12-10 2022-05-11 財團法人紡織產業綜合研究所 織物染色製程助劑試配性的判斷方法及其判斷系統
CN113295625B (zh) * 2021-04-30 2023-04-18 西安理工大学 基于极端梯度提升的机器视觉染料浓度光谱检测方法
CN113249982B (zh) * 2021-06-18 2021-09-10 南通宝硕纺织品有限公司 一种提高织物印花稳固性的方法及装置
CN113591940B (zh) * 2021-07-12 2023-09-26 华南师范大学 一种印染配色的多模型融合方法、装置、设备及介质
CN113469285B (zh) * 2021-07-26 2023-04-07 上海大学 基于pso-lssvm的染料双拼配方预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1828306A (zh) * 2005-03-01 2006-09-06 中国海洋大学 基于m5’模型树实现配方产品的感官指标预测方法
CN101190598A (zh) * 2006-11-30 2008-06-04 利优比株式会社 彩色印刷机的印刷图像品质管理方法及印刷图像品质管理装置
CN108073751A (zh) * 2016-11-17 2018-05-25 财团法人资讯工业策进会 为一纺织染色制程决定一目标控制数据组的装置、方法及其电脑可读取储存媒体
CN108345965A (zh) * 2018-04-13 2018-07-31 魔金真彩网络科技（长沙）有限公司 一种基于大数据学习的涂料配色方法及系统
CN109657847A (zh) * 2018-12-06 2019-04-19 华中科技大学 基于粒子群优化支持向量回归的工业生产中故障预测方法
CN110533249A (zh) * 2019-09-02 2019-12-03 合肥工业大学 一种基于集成长短期记忆网络的冶金企业能耗预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1828306A (zh) * 2005-03-01 2006-09-06 中国海洋大学 基于m5’模型树实现配方产品的感官指标预测方法
CN101190598A (zh) * 2006-11-30 2008-06-04 利优比株式会社 彩色印刷机的印刷图像品质管理方法及印刷图像品质管理装置
CN108073751A (zh) * 2016-11-17 2018-05-25 财团法人资讯工业策进会 为一纺织染色制程决定一目标控制数据组的装置、方法及其电脑可读取储存媒体
CN108345965A (zh) * 2018-04-13 2018-07-31 魔金真彩网络科技（长沙）有限公司 一种基于大数据学习的涂料配色方法及系统
CN109657847A (zh) * 2018-12-06 2019-04-19 华中科技大学 基于粒子群优化支持向量回归的工业生产中故障预测方法
CN110533249A (zh) * 2019-09-02 2019-12-03 合肥工业大学 一种基于集成长短期记忆网络的冶金企业能耗预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A new color recipe prediction method in the cold pad batch dyeing cotton knit using NNMF algorithm;Jung Ho Lee et al.;《ResearchGate》;20130228;第50卷(第1期);全文 *
基于决策树算法规则抽取的COREX燃料配比模型;赵晨熙 等;《计算机应用研究》;20121215;第29卷(第12期);全文 *
数值分析和支持向量机在织物染色配色中的对比研究;李含春;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20091015(第10期);全文 *

Also Published As

Publication number Publication date
CN111553114A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111553114B (zh) 一种基于数据驱动的纺织印染智能配色方法
CN107909101B (zh) 基于卷积神经网络的半监督迁移学习字符识别方法及系统
CN107273490B (zh) 一种基于知识图谱的组合错题推荐方法
CN107065842B (zh) 一种基于粒子群优化核独立元分析模型的故障检测方法
CN109461025B (zh) 一种基于机器学习的电能替代潜在客户预测方法
CN109978253B (zh) 一种基于增量学习的电力系统短期负荷预测方法
CN111900731A (zh) 一种基于pmu的电力系统状态估计性能评价方法
CN105095913A (zh) 基于近邻正则联合稀疏表示的遥感图像分类方法及系统
CN113128671B (zh) 一种基于多模态机器学习的服务需求动态预测方法及系统
CN112819322A (zh) 基于改进模糊层次分析法的输电线路路径方案评估方法
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
CN110276480A (zh) 一种用于建筑能耗管理的分析预测方法及系统
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN114564888A (zh) 一种基于数据驱动的纺织印染智能配色方法
CN115345297A (zh) 一种基于生成对抗网络的台区样本生成方法及系统
CN111737110A (zh) 一种面向深度学习模型的测试输入选择方法
CN107463532A (zh) 一种电力统计数据的质量分析方法
CN113487064A (zh) 基于主成分分析和改进lstm的光伏功率预测方法及系统
CN110059342B (zh) 一种锂离子电池p2d模型的参数估计方法
CN103439964B (zh) 一种ocsvm监控模型的在线更新系统及方法
CN111126827A (zh) 一种基于bp人工神经网络的投入产出核算模型构建方法
US11847186B2 (en) Methods and systems for obtaining user evulation used in natural gas energy measurement
Freulon et al. CytOpT: Optimal transport with domain adaptation for interpreting flow cytometry data
CN116054144A (zh) 分布式光伏接入的配电网重构方法、系统及存储介质
CN109767037A (zh) 一种夏季日最大负荷的预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant