CN113469285A - 基于pso-lssvm的染料双拼配方预测方法 - Google Patents

基于pso-lssvm的染料双拼配方预测方法 Download PDF

Info

Publication number
CN113469285A
CN113469285A CN202110844222.1A CN202110844222A CN113469285A CN 113469285 A CN113469285 A CN 113469285A CN 202110844222 A CN202110844222 A CN 202110844222A CN 113469285 A CN113469285 A CN 113469285A
Authority
CN
China
Prior art keywords
color
dye
lssvm
formula
pso
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.)
Granted
Application number
CN202110844222.1A
Other languages
English (en)
Other versions
CN113469285B (zh
Inventor
宁金妍
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202110844222.1A priority Critical patent/CN113469285B/zh
Publication of CN113469285A publication Critical patent/CN113469285A/zh
Application granted granted Critical
Publication of CN113469285B publication Critical patent/CN113469285B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明提供一种基于PSO‑LSSVM的染料双拼配方预测方法，其包括以下步骤：获取采用预先设定染料双拼配方进行染色的织物合格染色数据；采用PSO‑LSSVM算法分别建立颜色预测模型和染料配方预测模型；对待测定织物进行颜色测定，通过染料配方预测模型和颜色预测模型预测后得到预测颜色特征参数；计算预测颜色特征参数和检测颜色特征参数的色差ΔEab*，从所述织物合格染色数据选取色差ΔEab*最小值对应两种染料浓度作为待测定织物的预测染料双拼配方。本发明建立的颜色预测模型和染料配方预测模型，特征参数值容易都能维持在理想的范围内，构筑的模型和活性染料拼色数据库染料专用性好，在预测未知双染料拼色染色织物配方时，染料浓度的预测误差小，配方准确。

Description

基于PSO-LSSVM的染料双拼配方预测方法
技术领域
本发明属于染色配色领域，涉及一种基于PSO-LSSVM的染料双拼配方的预测方法，尤其涉及到一种基于PSO-LSSVM的活性染料对棉织物染色双拼配方预测方法。
背景技术
计算机配色技术已给印染工艺带来了很大的方便，客户只需要将自己想要的色样属性或者颜色代码告诉加工方，印染企业就可以进行打样和生产，或者客户提供实物样品后，企业利用测色仪器对样本进行测量后，由计算机产生最佳的染色配方，通过打样修正染色配方达到达到要求。利用仪器对颜色的属性进行测量，比人工对色更加精确，更加迅速，使对色工作更严谨、更科学、更可靠。计算机配色技术的发展，对染色企业来说，不但大大提高了生产效率，而且大大降低了成本。
目前，已有很多基于机器学习方法已经得到了成功地应用，取得很好的应用，但是这些方法往往也存在一定的局限性。其中，最小二乘回归算法建立的多项式回归模型，需要在对输入输出的关系有一定的认识后，在处理小样本和简单关系时很有效，但在处理大量数据时，会影响运算速度，处理高度复杂的数据时难以表达，并且指数选取不当时，容易导致过拟合。BP神经网络则是一种模拟人脑结构的计算模型，通常BP神经网络的输入数据越多，网络表现越好，但在缺乏充分数据时，无法顺利建模且元参数与网络拓扑选择没有理论可以指导。而支持向量回归本质上是凸优化问题，输出的结果为全局最优，且具有出色的泛化能力，选取少量数据和适当的核函数进行非线性映射，就能获得精度很高的预测模型，但对大规模样本的处理时，会占用大量的运行内存和运算时间，并且核函数的选择没有理论指导。
随着染色工业和计算机配色技术的发展，出现了各种不同通过机器学习方法为基础的配色技术，以满足不同层次的需求。有学者有研究的神经网络技术应用到测色配色中，描述颜色属性时用到矩阵分块算法，还有各种颜色系统方便了数据共享，也有提出了基于最小二乘拟合的数值分析方法在织物染色配色中的应用。然而，所有的这些机器学习方法为基础的配色方法，其准确性除了理论与实际染色条件不同产生的误差外，还与构建的颜色参数与染料浓度间的关系预测模型有很大关系。
发明内容
本发明的一个目的是提供一种基于PSO-LSSVM的染料双拼配方预测方法，并提供至少后面将说明的优点。
本发明的另一个目的是提供一种基于PSO-LSSVM的染料双拼配方预测方法，在预测未知双染料拼色染色织物配方时，染料浓度的预测误差小，配方准确。
本发明的技术方案如下：
基于PSO-LSSVM的染料双拼配方预测方法，其包括以下步骤：
获取采用预先设定染料双拼配方进行染色的织物合格染色数据，其包括织物中两种染料浓度和颜色特征参数L*、a*和b*值；
采用PSO-LSSVM算法分别建立以两种染料浓度为输入、染色织物颜色特征参数L*、a*和b*值为输出的颜色预测模型，和以染色织物颜色特征参数L*、a*和b*值为输入两种染料浓度为输出的染料配方预测模型；
对待测定织物进行颜色测定，得到检测颜色特征参数L*、a*和b*值，将其输入至染料配方预测模型得到两种染料浓度预测值，再将所述两种染料浓度预测值输入至所述颜色预测模型得到预测颜色特征参数L*、a*和b*值；
计算预测颜色特征参数L*、a*和b*值和检测颜色特征参数L*、a*和b*值的色差ΔEab*，从所述织物合格染色数据选取色差ΔEab*最小值对应两种染料浓度作为待测定织物的预测染料双拼配方。
优选的是，所述的基于PSO-LSSVM的染料双拼配方预测方法中，获取采用预先设定染料双拼配方进行染色的织物合格染色数据包括：
预先设定活性染料上染棉织物时的染色条件，进行轧烘轧蒸染色试验制得染制色样；
用分光测色仪测试染色制样的颜色特征参数，剔除异常染色数据，重染，记录合格染色条件下两种染料浓度和颜色特征参数L*、a*和b*值；
其中，
染色条件为，氯化钠浓度为150-200g/L，碳酸钠15-25g/L，氢氧化钠4-8g/L，浸轧后织物带液率60-75％，在110-125℃热风下预烘100-200s，在100-102℃饱和蒸汽下汽蒸120-250s；
两种染料浓度为0.01-20g/L且总计不超过20g/L，按组合和浓度不同，共计15-30组染色组；
各染色制样的染色条件相同；
剔除异常染色数据包括对所述染制色样使用台式分光测色仪进行测色，记录空白织物和各染料质量浓度梯度色样的光谱反射率曲线和K/S值曲线，对出现如曲线交叉和吸收峰错位等不规则曲线进行重新打样修正。
优选的是，所述的基于PSO-LSSVM的染料双拼配方预测方法中，采用PSO-LSSVM算法分别建立颜色预测模型和染料配方预测模型，参数设置为：
粒子数popsize＝20，最大迭代次数maxgen＝200，学习因子c1＝c2＝1.4，惯性权重ω∈[0.8，1.2]，正则化参数γ∈[0.1，1000]，核函数宽度σ2∈[0.1，100]，正则化参数γ迭代速度νγ∈[-500，500]，核函数宽度σ2迭代速度
Figure BDA0003180211000000031
采用径向基核函数(kernel＝′RBF_kernel′)，并以均方误差作为适应度函数(fitness( )＝MSE)，设定精度ep＝10-3，满足设定精度或最大迭代次数则输出参数组，建立PSO-LSSVM预测模型，即颜色预测模型和染料配方预测模型。
优选的是，所述的基于PSO-LSSVM的染料双拼配方预测方法中，
将所述织物合格染色数据分为训练集和测试集；
设定初始LSSVM参数并建立LSSVM初始模型，利用所述LSSVM初始模型对所述训练集进行预测；
利用PSO算法对上述预测结果进行参数优化处理，得到全局最优值gbestd，即最优化参数组
Figure BDA0003180211000000032
赋值给LSSVM初始模型，得到PSO-LSSVM预测基础模型；
将所述测试集作为测试样本，利用PSO-LSSVM预测基础模型队进行测试训练，得到最终PSO-LSSVM预测模型，即颜色预测模型和染料配方预测模型。
优选的是，所述的基于PSO-LSSVM的染料双拼配方预测方法中，所述PSO算法包括：
针对所需建立的染色效果预测模型设置具体参数：群体规模m、粒子的维度n、最大位置Xmax、最大速度Vmax、惯性权重ω、学习因子c1和c2、最大迭代次数Kmax以及优化问题的适应度函数fitness()；
设置种群的初始信息，包括位置xi和速度vi；
根据目标函数计算各粒子适应度值，并评价每个粒子的适应度；
选择当前个体最优位置，对每个粒子当前的适应度值
Figure BDA0003180211000000041
与其历史最佳位置的适应度值fitness(pbestid)对比，若当前位置适应度值较高，则用当前位置更新历史最佳位置
Figure BDA0003180211000000042
选择当前群体最优位置，对每个粒子当前的适应度值
Figure BDA0003180211000000043
与群体最佳位置的适应度值fitness(pbestd)对比，若当前位置适应度值较高，则用当前位置更新群体最佳位置
Figure BDA0003180211000000044
判断是否满足终止条件，满足则搜索停止，输出结果；不满足则继续下一步；
判断是否满足迭代结束条件，根据优化问题设置迭代结束条件，如不满足结束条件，则返回第二步骤重新计算；
若满足输出条件，则输出全局最佳位置gbestd，并停止搜索。
优选的是，所述的基于PSO-LSSVM的染料双拼配方预测方法中，将所述测试集作为测试样本，利用PSO-LSSVM预测基础模型队进行测试训练，得到最终PSO-LSSVM预测模型包括：
根据模型特征参数值RMSE、Ep、MAE和R2综合判断模型的质量；
如果建立的预测模型没有达到预定值，则返回再次进行颜色预测模型和染料配方预测模型的构建；
其中，RMSE计算值要小于0.40，MAE计算值小于0.35，Ep计算值大于90％，R2计算值大于99％。
优选的是，所述的基于PSO-LSSVM的染料双拼配方预测方法中，MAE、RMSE、Ep和R2定义为：
Figure BDA0003180211000000045
Figure BDA0003180211000000046
Figure BDA0003180211000000051
Figure BDA0003180211000000052
其中，n是样本数，y是实验值，
Figure BDA0003180211000000053
是预测值，
Figure BDA0003180211000000054
是样本平均值。
优选的是，所述的基于PSO-LSSVM的染料双拼配方预测方法中，ΔEab*计算公式如下：
Figure BDA0003180211000000055
式中：ΔEab*为实验色样与预测的颜色之间的总色差；
ΔL*、Δa*和Δb*值为CIE LAB色空间，其计算公式如下：
L*＝116f(Y/Yn)-16
a*＝500[f(X/Xn)-f(Y/Yn)]
b*＝200[f(Y/Yn)-f(Z/Zn)]
其中，X/Xn、Y/Yn、Z/Zn需满足同时大于(6/29)3或同时小于等于(6/29)3；
Figure BDA0003180211000000056
上式中X、Y、Z为颜色样品的三刺激值；Xn、Yn、Zn为CIE标准照明体照射到完全漫反射体表面再反射到观测者眼中的三刺激值。
上述涉及LSSVM的算法原理和具体步骤为：给定一组训练数据集{(xi，yi)，i＝1，2，N}，其中，N是训练样本数量；xi∈Rd是输入矩阵，d是矩阵的维度；yi∈R是输出矩阵。然后通过一个非线性映射φ(x)，将训练数据集从原始空间映射到高维特征空间，LSSVM的决策函数如下所示：
Figure BDA0003180211000000057
式中：w是权重向量，常数b是偏置项。LSSVM的优化问题如下：
Figure BDA0003180211000000061
式中：γ是正则化参数，ξ是误差变量，相比于SVM算法，其约束条件有所不同，变为如下形式：
Figure BDA0003180211000000062
将支持向量机的不等式约束改为等式约束，构造拉格朗日函数L进行求解：
Figure BDA0003180211000000063
式中：αi为拉格朗日乘子。根据Karush-Kuhn-Tucker(KKT)条件，得到如下等式约束条件：
Figure BDA0003180211000000064
接着，消去w和ξ得到如下线性方程组：
Figure BDA0003180211000000065
式中：I是单位矩阵；α是支持向量；其他如下：
Figure BDA0003180211000000066
用Ω表示核矩阵内积，核函数技巧如下：
Figure BDA0003180211000000067
最终得到LSSVM的决策函数即回归模型如下：
Figure BDA0003180211000000071
式中：α和b求解获得。在实际建模过程中，α和b是在MATLAB平台中通过应用LSSVM工具箱编程运算得到，支持向量α是一个N行1列的矩阵。
本发明具有以下有益效果：
基于PSO-LSSVM算法建立的颜色预测模型和染料配方预测模型，两种模型的特征参数值容易都能维持在理想的范围内，专用性好；
染料浓度的预测误差小，双拼染色配方预测准确；
获取合格染色数据要求的试验组少，建立数据库简单，极具应用前景。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明提供的基于PSO-LSSVM的染料双拼配方预测方法的一个实施例中的建模流程图；
图2为本发明提供的基于PSO-LSSVM的染料双拼配方预测方法的一个实施例中的染料双拼配方预测流程图；
图3为本发明提供的基于PSO-LSSVM的染料双拼配方预测方法的一个实施例中的POS算法流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
如图1和图2所示，本发明提供一种基于PSO-LSSVM的染料双拼配方预测方法，其包括以下步骤：
S1：设计活性染料上染棉织物时的染色条件和一系列配色方案，进行轧烘轧蒸染色试验；
S2：测试各组染色条件的棉织物的颜色特征参数CIE Lab，剔除异常数据，记录合格染色条件下两种染料浓度和颜色特征参数L*、a*和b*值，建立活性染料拼色数据库；
S3：从上述S2建立的活性染料拼色数据库中随机选取4/5数据作为训练组，分别建立以两种染料浓度为输入、染色织物颜色特征参数L*、a*和b*值为输出的颜色预测模型，和以染色织物颜色特征参数L*、a*和b*值为输入两种染料浓度为输出的染料配方预测模型；
S4：用剩下的数据作为测试组，根据模型特征参数值RMSE、Ep、MAE和R2综合判断模型的质量。如果模型没定规定的质量要求，则返回S3；
S5：用分光测色仪测定未知双染料拼色染色棉织物，将测得的颜色特征参数L*、a*和b*值输入配方预测模型得到两种染料浓度；
S6：再将两种染料浓度输入颜色预测模型得到颜色特征参数L*、a*和b*值，根据实验色样与预测的颜色特征参数计算色差ΔEab*；
S7：比较各个活性染料拼色数据库及其相应预测模型下计算的色差ΔEab*，最小色差值的染料配方即为最佳预测染料配方。
上述步骤S1中染色条件为，氯化钠浓度为150-200g/L，碳酸钠15-25g/L，氢氧化钠4-8g/L，浸轧后织物带液率60-75％，在110-125℃热风下预烘100-200s，在100-102℃饱和蒸汽下汽蒸120-250s；上述步骤S1中两种染料浓度为0.01-20g/L且总计不超过20g/L，按一定组合和浓度梯度设计，共计15-30组；
上述活性染料拼色数据库中各组数据为同一染色条件下获得的；
上述步骤S2中剔除异常数据方法为：对上述步骤S1中染制色样使用台式分光测色仪进行测色，记录空白织物和各染料质量浓度梯度色样的光谱反射率曲线和K/S值曲线，对出现如曲线交叉和吸收峰错位等不规则曲线进行重新打样修正。
上述步骤S3中建立的颜色预测模型和染料配方预测模型时，参数设置为：粒子数popsize＝20，最大迭代次数maxgen＝200，学习因子c1＝c2＝1.4，惯性权重ω∈[0.8，1.2]，正则化参数γ∈[0.1，1000]，核函数宽度σ2∈[0.1，100]，正则化参数γ迭代速度νγ∈[-500，500]，核函数宽度σ2迭代速度
Figure BDA0003180211000000081
采用径向基核函数(kernel＝′RBF_kernel′)，并以均方误差作为适应度函数(fitness()＝MSE)，设定精度ep＝10-3，满足设定精度或最大迭代次数则输出参数组，建立PSO-LSSVM预测模型。
上述步骤S4中模型特征参数值RMSE计算值小于0.40，MAE计算值小于0.35，Ep计算值大于90％，R2计算值大于99％，MAE、RMSE、Ep和R2定义为：
Figure BDA0003180211000000091
Figure BDA0003180211000000092
Figure BDA0003180211000000093
Figure BDA0003180211000000094
其中，n是样本数，y是实验值，
Figure BDA0003180211000000095
是预测值，
Figure BDA0003180211000000096
是样本平均值。
上述步骤S7中ΔEab*计算公式如下：
Figure BDA0003180211000000097
式中：ΔEab*为实验色样与预测的颜色之间的总色差；ΔL*、Δa*和Δb*值为CIELAB色空间，其计算公式如下：
L*＝116f(Y/Yn)-16
a*＝500[f(X/Xn)-f(Y/Yn)]
b*＝200[f(Y/Yn)-f(Z/Zn)]
其中，X/Xn、Y/Yn、Z/Zn需满足同时大于(6/29)3或同时小于等于(6/29)3。
Figure BDA0003180211000000098
上式中X、Y、Z为颜色样品的三刺激值；Xn、Yn、Zn为CIE标准照明体照射到完全漫反射体表面再反射到观测者眼中的三刺激值。
基于PSO-LSSVM建立颜色预测模型和染料配方预测模型，建模过程如下：
(1)对染色效果参数和染色影响因素参数进行判断是否需要归一化处理，形成样本矩阵，划分训练集和测试集；
(2)设定RBF核函数参数组(γ，σ2)的范围，通常γ∈[0.1，1000]，σ2∈[0.1，100]。设置PSO相关参数，利用PSO算法对种群进行初始化；
(3)确定适应度函数，以训练集计算粒子适应度值并进行比较，选择个体最优值pbestid和全局最优gbestd，更新各粒子的位置和速度；
(4)迭代寻优至满足结束条件(适应度值最小或最大迭代次数)；
(5)输出全局最优值gbestd，即最优化参数组
Figure BDA0003180211000000101
赋值给LSSVM，导入训练集，调用trainlssvm函数对所得参数进行训练，得到训练好的PSO-LSSVM染色效果预测模型；
(6)调用simlssvm函数对训练好的模型进行仿真，将测试集的输入矩阵代入预测模型，仿真运算得到测试集的输出矩阵的预测值，采用评价指标与实验值进行比较，若仿真效果达到预期则进行下一步，反之继续使用PSO算法对参数组进行寻优。
如图3所示，上述PSO算法具体包括如下几个步骤：
(1)首先需要针对所需建立的染色效果预测模型设置具体参数：群体规模m、粒子的维度n、最大位置Xmax、最大速度Vmax、惯性权重ω、学习因子c1和c2、最大迭代次数Kmax以及优化问题的适应度函数fitness()，然后设置种群的初始信息，包括位置xi和速度vi；
(2)根据目标函数计算各粒子适应度值，并评价每个粒子的适应度；
(3)选择当前个体最优位置，对每个粒子当前的适应度值
Figure BDA0003180211000000102
与其历史最佳位置的适应度值fitness(pbestid)对比，若当前位置适应度值较高，则用当前位置更新历史最佳位置
Figure BDA0003180211000000103
(4)选择当前群体最优位置，对每个粒子当前的适应度值
Figure BDA0003180211000000104
与群体最佳位置的适应度值fitness(gbestd)对比，若当前位置适应度值较高，则用当前位置更新群体最佳位置
Figure BDA0003180211000000105
判断是否满足终止条件，满足则搜索停止，输出结果；不满足则继续下一步；
(5)判断是否满足迭代结束条件，根据优化问题设置迭代结束条件，如不满足结束条件，则返回第二步骤重新计算；
(6)若满足输出条件，则输出全局最佳位置gbestd，并停止搜索。
上述涉及LSSVM的算法原理和具体步骤为：给定一组训练数据集{(xi,yi),i＝1,2,N}，其中，N是训练样本数量；xi∈Rd是输入矩阵，d是矩阵的维度；yi∈R是输出矩阵。然后通过一个非线性映射φ(x)，将训练数据集从原始空间映射到高维特征空间，LSSVM的决策函数如下所示：
Figure BDA0003180211000000111
式中：w是权重向量，常数b是偏置项。LSSVM的优化问题如下：
Figure BDA0003180211000000112
式中：γ是正则化参数，ξ是误差变量，相比于SVM算法，其约束条件有所不同，变为如下形式：
Figure BDA0003180211000000113
将支持向量机的不等式约束改为等式约束，构造拉格朗日函数L进行求解：
Figure BDA0003180211000000114
式中：αi为拉格朗日乘子。根据Karush-Kuhn-Tucker(KKT)条件，得到如下等式约束条件：
Figure BDA0003180211000000115
接着，消去w和ξ得到如下线性方程组：
Figure BDA0003180211000000116
式中：I是单位矩阵；α是支持向量；其他如下：
Figure BDA0003180211000000121
用Ω表示核矩阵内积，核函数技巧如下：
Figure BDA0003180211000000122
最终得到LSSVM的决策函数即回归模型如下：
Figure BDA0003180211000000123
式中：α和b求解获得。在实际建模过程中，α和b是在MATLAB平台中通过应用LSSVM工具箱编程运算得到，支持向量α是一个N行1列的矩阵。
用丽华实红进行染色，采用轧—烘—轧—蒸染色工艺流程：浸轧染液(二浸二轧，带液率60％)→预烘120s(120℃热风)→浸轧固色液(二浸二轧，带液率70％，氯化钠180g/L，碳酸钠25g/L，氢氧化钠6g/L)→汽蒸150s(100～102℃，饱和蒸汽)→冷水洗→热水洗→皂洗(标准皂片3g/L，浴比为1：50，90℃处理10min)→热水洗→冷水洗→烘干。
相同比例下丽华蓝和丽华实琥珀黄不同总质量浓度的配方：设定丽华实蓝和丽华实琥珀黄的添加的质量浓度比为2:3，设计24个总染料质量浓度梯度(0.1，0.5，0.75，1.00，1.25，1.75，2.00，2.50，3.00，3.50，4.00，4.50，5.00，5.50，6.00，7.00，8.00，9.00，10.00，12.00，14.00，16.00，18.00，20.00)，质量浓度单位为g/L，染制色样。
对染制色样使用台式分光测色仪X-Rite Color I5进行测色，记录空白织物和各染料质量浓度梯度色样的光谱反射率曲线和K/S值曲线，对出现如曲线交叉和吸收峰错位等不规则曲线进行重新打样修正。将所有符合色样的信息存储起来，建立专用拼色数据库，供建立颜色预测模型和配色模型使用。
使用台式分光测色仪X-Rite Color I5在测量孔径Φ6mm，D65标准光源，10°视角下测试色样的L*值、a*值和b*值。将一块色样折叠成两层，在每个面选取一个测量点，共四个测量点，用四个测量点数据的平均值代表此块色样的颜色。
基于PSO-LSSVM建立颜色预测模型和染料配方预测模型，建模过程如下：
(1)对染色效果参数和染色影响因素参数进行判断是否需要归一化处理，形成样本矩阵，划分训练集和测试集；
(2)设定RBF核函数参数组(γ，σ2)的范围，通常γ∈[0.1，1000]，σ2∈[0.1，100]。设置PSO相关参数，利用PSO算法对种群进行初始化；
(3)确定适应度函数，以训练集计算粒子适应度值并进行比较，选择个体最优值pbestid和全局最优gbestd，更新各粒子的位置和速度；
(4)迭代寻优至满足结束条件(适应度值最小或最大迭代次数)；
(5)输出全局最优值gbestd，即最优化参数组
Figure BDA0003180211000000131
赋值给LSSVM，导入训练集，调用trainlssvm函数对所得参数进行训练，得到训练好的PSO-LSSVM染色效果预测模型；
(6)调用simlssvm函数对训练好的模型进行仿真，将测试集的输入矩阵代入预测模型，仿真运算得到测试集的输出矩阵的预测值，采用评价指标与实验值进行比较，若仿真效果达到预期则进行下一步，反之继续使用PSO算法对参数组进行寻优。
在建立上述颜色预测模型和颜色预测模型过程中，需要做以下几个说明：
(1)输入变量和输出变量
对于活性染料拼色数据库进行的颜色预测模型，输入变量为丽华实蓝和丽华实琥珀黄质量浓度，输出变量为CIELAB均匀色彩空间中的L*值、a*值和b*值，由于输出变量有三个，因此一个颜色预测模型包含三个不同的PSO-LSSVM子模型，即有三组参数组。三组参数组共用一个训练集和测试集。
对于活性染料拼色配色模型，输入变量为CIELAB均匀色彩空间中的L*值、a*值和b*值，输出变量为丽华实蓝和丽华实琥珀黄质量浓度，由于输出变量有两个，因此一个配色模型包含两个不同的PSO-LSSVM子模型，即有两组参数组，两组参数组共用一个训练集和测试集。
(2)参数设置
PSO参数经过多次仿真验证后，模型的具体设置为：粒子数popsize＝20，最大迭代次数maxgen＝200，学习因子c1＝c2＝1.4，惯性权重ω∈[0.8，1.2]，正则化参数γ∈[0.1，1000]，核函数宽度σ2∈[0.1，100]，正则化参数γ迭代速度νγ∈[-500，500]，核函数宽度σ2迭代速度
Figure BDA0003180211000000142
采用径向基核函数(kernel＝′RBF_kernel′)，并以均方误差作为适应度函数(fitness( )＝MSE)，设定精度ep＝10-3，满足设定精度或最大迭代次数则输出参数组，建立PSO-LSSVM预测模型。
(3)样本划分
相同比例拼色数据库共24个色样，选择其中19组作为训练集，剩余5组作为测试集。颜色预测模型和配色模型采用相同的训练集和测试集，只是输入矩阵和输出矩阵不同。从中任选19组数据作为PSO-LSSVM训练数据，剩余5组数据作为PSO-LSSVM测试数据；基于MATLAB R2016b软件平台，结合LSSVM工具箱(1.8版本)，调整代码，导入染色实验数据进行染色模型的建立。将19组数据对PSO-LSSVM训练数据颜色预测模型内含3个子模型，依次为PSO-LSSVM-L、PSO-LSSVM-a和PSO-LSSVM-b，分别得到三组模型参数组(γ，σ2)；将剩余5组数据对PSO-LSSVM模型进行测试，得到颜色预测模型的4个评价指标MAE、RMSE、Ep和R2。
在染料配色预测模型的构建中，训练集和测试集与颜色预测模型相同，只是输入矩阵和输出矩阵不同，以染色试样的颜色参数CIELAB的L*值、a*值和b*值作为输入矩阵，两种染料浓度作为输出矩阵。选取同样的19组数据作为PSO-LSSVM训练数据，剩余5组数据作为PSO-LSSVM测试数据，建模过程与颜色预测模型相同。
颜色预测模型实验效果验证：
为进一步证明颜色预测模型的可靠性，通过计算色差值ΔEab*，以此来检验相同比例拼色预测模型的精确程度。每一组测试集的颜色参数CIELAB的L*值、a*值和b*值的预测值称为一组预测样本。表1为颜色预测模型的5组实验样本和预测样本之间的色差值和颜色。
表1相同比例拼色测试样本和预测样本的颜色参数
Figure BDA0003180211000000141
对于纺织布品而言，当色差0≤ΔEab*≤0.5时，视觉几乎感觉不到色差，当色差0.5＜ΔEab*≤1.5时，色差感觉很小。5组测试数据的色差ΔEab*在[0.37，0.47]范围内，均满足色差小于0.5，平均色差仅为0.41。由色差ΔEab*的公式可知，色差值的大小由两种颜色之间的ΔL*、Δa*和Δb*共同决定。由表1可知，实验值和预测值的颜色一致，无色差。色差结果表明颜色预测模型的预测结果同样非常理想，与使用测色仪测得的颜色参数之间的误差非常小，用作相同比例拼色预测模型是可行的。
染料配色预测模型实验效果验证：
相同染料验证：将预测得到的染料质量浓度采用相同染色工艺进行染色，相同的颜色参数测试方法获得染制色样颜色参数CIELAB的L*值、a*值和b*值。通过计算实验样本的颜色参数和配色模型得到拼色预测样本的颜色参数的色差ΔEab*，以此来检验相同比例拼色配色模型的精确程度。表2为染料配色预测模型的5组测试样本和预测样本染制色样的色差值和颜色。
表2相同比例拼色测试样本和预测样本的颜色参数
Figure BDA0003180211000000151
染料配色模型预测得到的染料质量浓度染制色样的颜色参数和测试样本的颜色参数均非常接近，5组测试数据的色差ΔEab*在[0.39，1.43]范围内，均小于1.5，色差感觉很小。色差结果表明染料配色模型的预测结果也均在设定误差范围内，用作相同比例染色数据库的配色模型是可行的，满足拼色数据库配色要求。
不同染料验证：选用颜色相近的拼色色样(此处为相似色相的雷马素藏青和雷马素橙)，测得颜色参数，代入染料配色模型实际得到丽华实琥珀黄预测浓度c1和丽华实蓝预测浓度c2，使用预测浓度下的丽华实琥珀黄和丽华实蓝进行拼色，染制色样，获得颜色参数与原色样进行色差计算验证染料配色模型专用性。预测结果，原色样和预测浓度下染制色样颜色参数及色差如表3所示。
表3染料配色模型专用性验证
Figure BDA0003180211000000161
由表3可知，华实琥珀黄和丽华实蓝根据染料配色结果进行染制所得色样的颜色参数与原色样颜色参数相差很大，色差ΔEab*均大于6.0，远大于配色规定的色差范围。根据NBS色差表可知，色样之间均为大色差，配色结果是不可接受的，说明染料配色模型是华实琥珀黄和丽华实蓝相同比例拼色数据库专用配色模型，不适用于其它染料拼色的配方预测，即使是色相很近的同类染料。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (8)

1.基于PSO-LSSVM的染料双拼配方预测方法，其特征在于，包括以下步骤：
获取采用预先设定染料双拼配方进行染色的织物合格染色数据，其包括织物中两种染料浓度和颜色特征参数L*、a*和b*值；
采用PSO-LSSVM算法分别建立以两种染料浓度为输入、染色织物颜色特征参数L*、a*和b*值为输出的颜色预测模型，和以染色织物颜色特征参数L*、a*和b*值为输入两种染料浓度为输出的染料配方预测模型；
对待测定织物进行颜色测定，得到检测颜色特征参数L*、a*和b*值，将其输入至染料配方预测模型得到两种染料浓度预测值，再将所述两种染料浓度预测值输入至所述颜色预测模型得到预测颜色特征参数L*、a*和b*值；
计算预测颜色特征参数L*、a*和b*值和检测颜色特征参数L*、a*和b*值的色差ΔEab*，从所述织物合格染色数据选取色差ΔEab*最小值对应两种染料浓度作为待测定织物的预测染料双拼配方。
2.如权利要求1所述的基于PSO-LSSVM的染料双拼配方预测方法，其特征在于，获取采用预先设定染料双拼配方进行染色的织物合格染色数据包括：
预先设定活性染料上染棉织物时的染色条件，进行轧烘轧蒸染色试验制得染制色样；
用分光测色仪测试染色制样的颜色特征参数，剔除异常染色数据，重染，记录合格染色条件下两种染料浓度和颜色特征参数L*、a*和b*值；
其中，
染色条件为，氯化钠浓度为150-200g/L，碳酸钠15-25g/L，氢氧化钠4-8g/L，浸轧后织物带液率60-75％，在110-125℃热风下预烘100-200s，在100-102℃饱和蒸汽下汽蒸120-250s；
两种染料浓度为0.01-20g/L且总计不超过20g/L，按组合和浓度不同，共计15-30组染色组；
各染色制样的染色条件相同；
剔除异常染色数据包括对所述染制色样使用台式分光测色仪进行测色，记录空白织物和各染料质量浓度梯度色样的光谱反射率曲线和K/S值曲线，对出现如曲线交叉和吸收峰错位等不规则曲线进行重新打样修正。
3.如权利要求2所述的基于PSO-LSSVM的染料双拼配方预测方法，其特征在于，采用PSO-LSSVM算法分别建立颜色预测模型和染料配方预测模型，参数设置为：
粒子数popsize＝20，最大迭代次数maxgen＝200，学习因子c1＝c2＝1.4，惯性权重ω∈[0.8，1.2]，正则化参数γ∈[0.1，1000]，核函数宽度σ2∈[0.1，100]，正则化参数γ迭代速度νγ∈[-500，500]，核函数宽度σ2迭代速度
Figure FDA0003180210990000026
采用径向基核函数(kernel＝′RBF_kernel′)，并以均方误差作为适应度函数(fitness()＝MSE)，设定精度ep＝10-3，满足设定精度或最大迭代次数则输出参数组，建立PSO-LSSVM预测模型，即颜色预测模型和染料配方预测模型。
4.如权利要求3所述的基于PSO-LSSVM的染料双拼配方预测方法，其特征在于，将所述织物合格染色数据分为训练集和测试集；
设定初始LSSVM参数并建立LSSVM初始模型，利用所述LSSVM初始模型对所述训练集进行预测；
利用PSO算法对上述预测结果进行参数优化处理，得到全局最优值gbestd，即最优化参数组
Figure FDA0003180210990000021
赋值给LSSVM初始模型，得到PSO-LSSVM预测基础模型；
将所述测试集作为测试样本，利用PSO-LSSVM预测基础模型队进行测试训练，得到最终PSO-LSSVM预测模型，即颜色预测模型和染料配方预测模型。
5.如权利要求4所述的基于PSO-LSSVM的染料双拼配方预测方法，其特征在于，所述PSO算法包括：
针对所需建立的染色效果预测模型设置具体参数：群体规模m、粒子的维度n、最大位置Xmax、最大速度Vmax、惯性权重ω、学习因子c1和c2、最大迭代次数Kmax以及优化问题的适应度函数fitness()；
设置种群的初始信息，包括位置xi和速度vi；
根据目标函数计算各粒子适应度值，并评价每个粒子的适应度；
选择当前个体最优位置，对每个粒子当前的适应度值
Figure FDA0003180210990000022
与其历史最佳位置的适应度值fitness(pbestid)对比，若当前位置适应度值较高，则用当前位置更新历史最佳位置
Figure FDA0003180210990000023
选择当前群体最优位置，对每个粒子当前的适应度值
Figure FDA0003180210990000024
与群体最佳位置的适应度值fitness(gbestd)对比，若当前位置适应度值较高，则用当前位置更新群体最佳位置
Figure FDA0003180210990000025
判断是否满足终止条件，满足则搜索停止，输出结果；不满足则继续下一步；判断是否满足迭代结束条件，根据优化问题设置迭代结束条件，如不满足结束条件，则返回第二步骤重新计算；
若满足输出条件，则输出全局最佳位置gbestd，并停止搜索。
6.如权利要求3所述的基于PSO-LSSVM的染料双拼配方预测方法，其特征在于，将所述测试集作为测试样本，利用PSO-LSSVM预测基础模型队进行测试训练，得到最终PSO-LSSVM预测模型包括：
根据模型特征参数值RMSE、Ep、MAE和R2综合判断模型的质量；
如果建立的预测模型没有达到预定值，则返回再次进行颜色预测模型和染料配方预测模型的构建；
其中，RMSE计算值要小于0.40，MAE计算值小于0.35，Ep计算值大于90％，R2计算值大于99％。
7.如权利要求6所述的基于PSO-LSSVM的染料双拼配方预测方法，其特征在于，MAE、RMSE、Ep和R2定义为：
Figure FDA0003180210990000031
Figure FDA0003180210990000032
Figure FDA0003180210990000033
Figure FDA0003180210990000034
其中，n是样本数，y是实验值，
Figure FDA0003180210990000035
是预测值，
Figure FDA0003180210990000036
是样本平均值。
8.如权利要求1所述的基于PSO-LSSVM的染料双拼配方预测方法，其特征在于，ΔEab*计算公式如下：
Figure FDA0003180210990000037
式中：ΔEab*为实验色样与预测的颜色之间的总色差；
ΔL*、Δa*和Δb*值为CIE LAB色空间，其计算公式如下：
L*＝116f(Y/Yn)-16
a*＝500[f(X/Xn)-f(Y/Yn)]
b*＝200[f(Y/Yn)-f(Z/Zn)]
其中，X/Xn、Y/Yn、Z/Zn需满足同时大于(6/29)3或同时小于等于(6/29)3；
Figure FDA0003180210990000041
上式中X、Y、Z为颜色样品的三刺激值；Xn、Yn、Zn为CIE标准照明体照射到完全漫反射体表面再反射到观测者眼中的三刺激值。
CN202110844222.1A 2021-07-26 2021-07-26 基于pso-lssvm的染料双拼配方预测方法 Active CN113469285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110844222.1A CN113469285B (zh) 2021-07-26 2021-07-26 基于pso-lssvm的染料双拼配方预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110844222.1A CN113469285B (zh) 2021-07-26 2021-07-26 基于pso-lssvm的染料双拼配方预测方法

Publications (2)

Publication Number Publication Date
CN113469285A true CN113469285A (zh) 2021-10-01
CN113469285B CN113469285B (zh) 2023-04-07

Family

ID=77882397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110844222.1A Active CN113469285B (zh) 2021-07-26 2021-07-26 基于pso-lssvm的染料双拼配方预测方法

Country Status (1)

Country Link
CN (1) CN113469285B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799895A (zh) * 2012-06-26 2012-11-28 福建鸿博印刷股份有限公司 基于最小二乘支持向量机的胶印油墨配色方法
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN105088595A (zh) * 2015-09-11 2015-11-25 河海大学常州校区 基于神经网络模型的印染在线配色设备及方法
CN107103181A (zh) * 2017-03-27 2017-08-29 东华大学 一种基于最小二乘支持向量机的色纺纱配色方法
CN110378393A (zh) * 2019-06-26 2019-10-25 江苏理工学院 一种基于pso-gsa-svm的混合印染品色差检测方法
CN111310348A (zh) * 2020-02-25 2020-06-19 江西理工大学 一种基于pso-lssvm的材料本构模型预测方法
CN111553114A (zh) * 2020-04-11 2020-08-18 东华大学 一种基于数据驱动的纺织印染智能配色方法
CN112308288A (zh) * 2020-09-29 2021-02-02 百维金科(上海)信息科技有限公司 一种基于粒子群优化lssvm的违约用户概率预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799895A (zh) * 2012-06-26 2012-11-28 福建鸿博印刷股份有限公司 基于最小二乘支持向量机的胶印油墨配色方法
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN105088595A (zh) * 2015-09-11 2015-11-25 河海大学常州校区 基于神经网络模型的印染在线配色设备及方法
CN107103181A (zh) * 2017-03-27 2017-08-29 东华大学 一种基于最小二乘支持向量机的色纺纱配色方法
CN110378393A (zh) * 2019-06-26 2019-10-25 江苏理工学院 一种基于pso-gsa-svm的混合印染品色差检测方法
CN111310348A (zh) * 2020-02-25 2020-06-19 江西理工大学 一种基于pso-lssvm的材料本构模型预测方法
CN111553114A (zh) * 2020-04-11 2020-08-18 东华大学 一种基于数据驱动的纺织印染智能配色方法
CN112308288A (zh) * 2020-09-29 2021-02-02 百维金科(上海)信息科技有限公司 一种基于粒子群优化lssvm的违约用户概率预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENGBING YU等: "K/S value prediction of cotton fabric using PSO-LSSVM", 《TEXTILE RESEARCH JOURNAL》 *
CHENGBING YU等: "LSSVM-based color prediction for cotton fabrics with reactive pad-dry-pad-steam dyeing", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS 》 *
刘佳等: "基于LS-SVM的棉针织物染色上染率模型的研究", 《福州大学学报(自然科学版)》 *
陶开鑫等: "基于最小二乘支持向量机的棉针织物活性染料湿蒸染色预测模型", 《纺织学报》 *

Also Published As

Publication number Publication date
CN113469285B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Zou et al. Logistic regression model optimization and case analysis
Yao et al. Pyhessian: Neural networks through the lens of the hessian
CN105740619B (zh) 基于核函数的加权极限学习机污水处理在线故障诊断方法
Yuan et al. Robust mediation analysis based on median regression.
Cai et al. A quantitative analysis of the effect of batch normalization on gradient descent
CA2903458C (en) Systems and methods for determining a coating formulation
TWI575230B (zh) 用於塗料配方之紋理評估之系統及方法
Bennett et al. Numerically stable, single-pass, parallel statistics algorithms
Dimov et al. A new Walk on Equations Monte Carlo method for solving systems of linear algebraic equations
CN113536687A (zh) 基于pso-lssvm的单色棉织物颜色和染料浓度预测模型构建方法
CN108431561B (zh) 计算机辅助确定毛发颜色性能的方法和数据处理装置
Sharma et al. Deep learning for scalable chemical kinetics
CN103605711B (zh) 支持向量机分类器的构造方法及装置、分类方法及装置
US6993512B2 (en) System and method for converting a color formula using an artificial intelligence based conversion model
Qiao et al. Visual determination of hue suprathreshold color‐difference tolerances
Guo et al. Theoretical and numerical analysis of learning dynamics near singularity in multilayer perceptrons
CN113159167A (zh) 基于内陆不同类型水体的叶绿素a反演方法
Stenbakken et al. Developing linear error models for analog devices
CN110324178B (zh) 一种基于多经验核学习的网络入侵检测方法
CN113469285B (zh) 基于pso-lssvm的染料双拼配方预测方法
Yu et al. Evaluation of a novel computer dye recipe prediction method based on the PSO-LSSVM models and single reactive dye database
Yaman et al. A new rational approximation technique based on transformational high dimensional model representation
CN111125629A (zh) 一种域自适应的pls回归模型建模方法
Luchnikov et al. Simulating quantum circuits using the multi-scale entanglement renormalization ansatz
CN108038056B (zh) 一种基于不对称分类评估的软件缺陷检测系统

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