CN114417736B - 色彩配方的评估方法、系统、设备及介质 - Google Patents

色彩配方的评估方法、系统、设备及介质 Download PDF

Info

Publication number
CN114417736B
CN114417736B CN202210243753.XA CN202210243753A CN114417736B CN 114417736 B CN114417736 B CN 114417736B CN 202210243753 A CN202210243753 A CN 202210243753A CN 114417736 B CN114417736 B CN 114417736B
Authority
CN
China
Prior art keywords
color data
formula
data
historical
value
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
CN202210243753.XA
Other languages
English (en)
Other versions
CN114417736A (zh
Inventor
贾昌武
张宸
谭国豪
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.)
Shenzhen Xuanyu Technology Co ltd
Original Assignee
Shenzhen Xuanyu Technology Co ltd
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 Shenzhen Xuanyu Technology Co ltd filed Critical Shenzhen Xuanyu Technology Co ltd
Priority to CN202210243753.XA priority Critical patent/CN114417736B/zh
Publication of CN114417736A publication Critical patent/CN114417736A/zh
Application granted granted Critical
Publication of CN114417736B publication Critical patent/CN114417736B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Color Image Communication Systems (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开了一种色彩配方的评估方法、系统、设备及介质，该评估方法包括：获取历史色彩数据集分布以及新色彩数据；计算新色彩数据在历史色彩数据集分布中的异常度值；基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据；根据异常度值对配方数据进行评估，以使得配方数据的准确度值满足预设条件。本发明通过计算获取的新色彩数据在历史色彩数据集分布中的异常度值；并基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据；而后根据异常度值对配方数据进行评估，以使得配方数据的准确度值满足预设条件。实现了基于局部线性网络模型以及异常度值对色彩配方数据准确度值的精准评估，提高了配方数据的准确度和可信度。

Description

色彩配方的评估方法、系统、设备及介质
技术领域
本发明涉及色彩配方评估技术领域，特别涉及一种色彩配方的评估方法、系统、设备及介质。
背景技术
在配色行业中，通常会依赖配色工程师来进行色彩配方的设计与改进。然而不同配色人员的经验往往都带有一定主观性，因此实际生产的最终成品难免会出现因配色人员异动而造成的品质上的波动。
此外，配色人员长期实践过程中会形成大量的配方数据，进而形成自己的经验，而经验是存在片面性和局限性的，一旦有了新的配色需求，不同的配色人员给出的配方建议也有可能会大相径庭。在这个过程中，大量的过往配方变成了沉默数据，没有起到对新配色的指导或参考作用。
而现有技术中为了解决上述配色问题，一部分企业会引入计算机配色系统，进行色彩配方的辅助计算。但通常这类计算机配色系统与生产中积累的配方数据并无直接关联，加上其配色原理基于理想假设的配色理论，与实际条件（如基材底色、透明度、色彩遮盖力等）存在偏差，其计算结果与实际配方成份值存在一定差异，并且这样的差异也不会随着生产中实践数据的积累而得到进一步改善。
发明内容
本发明要解决的技术问题是为了克服现有技术中无法实现对色彩配方数据的准确度值进行评估的缺陷，提供一种色彩配方的评估方法、系统、设备及介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明第一方面提供了一种色彩配方的评估方法，所述评估方法包括：
获取历史色彩数据集分布以及新色彩数据；
计算所述新色彩数据在所述历史色彩数据集分布中的异常度值；
基于构建的局部线性网络模型计算得到所述新色彩数据对应的配方数据；
根据所述异常度值对所述配方数据进行评估，以使得所述配方数据的准确度值满足预设条件。
较佳地，所述获取历史色彩数据集分布以及新色彩数据的步骤之后，所述评估方法还包括：
基于所述历史色彩数据集分布计算所述新色彩数据的概率值；
根据所述概率值计算所述新色彩数据的概率密度函数值；
所述计算所述新色彩数据在所述历史色彩数据集分布中的异常度值的步骤包括：
基于所述概率密度函数值计算所述新色彩数据在所述历史色彩数据集分布中的异常度值。
较佳地，所述根据所述异常度值对所述配方数据进行评估的步骤包括：
若所述异常度值大于等于预设阈值，则发出提示信息，所述提示信息用于提示对所述配方数据进行调整，以使得所述配方数据的准确度值满足所述预设条件。
较佳地，所述计算所述新色彩数据在所述历史色彩数据集分布中的异常度值的公式为：
Figure 56774DEST_PATH_IMAGE001
其中，
Figure 405847DEST_PATH_IMAGE002
表示异常度值，
Figure 247376DEST_PATH_IMAGE003
表示新色彩数据，
Figure 74518DEST_PATH_IMAGE004
表示新色彩数据的概率 密度函数值，
Figure 953612DEST_PATH_IMAGE005
表示
Figure 473586DEST_PATH_IMAGE006
维球面的半径，
Figure 70921DEST_PATH_IMAGE007
表示该历史色彩数据集分布中被该
Figure 964403DEST_PATH_IMAGE006
维球面所 包含的
Figure 166846DEST_PATH_IMAGE007
个历史色彩数据，
Figure 123300DEST_PATH_IMAGE008
表示与
Figure 942352DEST_PATH_IMAGE009
、
Figure 376875DEST_PATH_IMAGE010
都不相关的常数。
本发明第二方面提供了一种色彩配方的评估系统，所述评估系统包括获取模块、第一计算模块、第二计算模块和评估模块；
所述获取模块，用于获取历史色彩数据集分布以及新色彩数据；
所述第一计算模块，用于计算所述新色彩数据在所述历史色彩数据集分布中的异常度值；
所述第二计算模块，用于基于构建的局部线性网络模型计算得到所述新色彩数据对应的配方数据；
所述评估模块，用于根据所述异常度值对所述配方数据进行评估，以使得所述配方数据的准确度值满足预设条件。
较佳地，所述评估系统还包括第三计算模块和第四计算模块；
所述第三计算模块，用于基于所述历史色彩数据集分布计算所述新色彩数据的概率值；
所述第四计算模块，用于根据所述概率值计算所述新色彩数据的概率密度函数值；
所述第一计算模块，具体用于基于所述概率密度函数值计算所述新色彩数据在所述历史色彩数据集分布中的异常度值。
较佳地，所述评估模块，具体用于若所述异常度值大于等于预设阈值，则发出提示信息，所述提示信息用于提示对所述配方数据进行调整，以使得所述配方数据的准确度值满足所述预设条件。
较佳地，所述计算所述新色彩数据在所述历史色彩数据集分布中的异常度值的公式为：
Figure 964982DEST_PATH_IMAGE001
其中，
Figure 558250DEST_PATH_IMAGE002
表示异常度值，
Figure 599019DEST_PATH_IMAGE003
表示新色彩数据，
Figure 837233DEST_PATH_IMAGE004
表示新色彩数据的概率 密度函数值，
Figure 545426DEST_PATH_IMAGE005
表示
Figure 578104DEST_PATH_IMAGE006
维球面的半径，
Figure 634397DEST_PATH_IMAGE007
表示该历史色彩数据集分布中被该
Figure 410723DEST_PATH_IMAGE006
维球面所 包含的
Figure 973423DEST_PATH_IMAGE007
个历史色彩数据，
Figure 442582DEST_PATH_IMAGE008
表示与
Figure 192363DEST_PATH_IMAGE011
、
Figure 772380DEST_PATH_IMAGE010
都不相关的常数。
本发明第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的色彩配方的评估方法。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的色彩配方的评估方法。
本发明的积极进步效果在于：
本发明通过计算获取的新色彩数据在历史色彩数据集分布中的异常度值；并基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据；而后根据异常度值对配方数据进行评估，以使得配方数据的准确度值满足预设条件。实现了基于局部线性网络模型以及异常度值对色彩配方数据准确度值的精准评估，提高了配方数据的准确度和可信度。
附图说明
图1为本发明实施例1的色彩配方的评估方法的第一流程图。
图2为本发明实施例1的色彩配方的评估方法的第二流程图。
图3为本发明实施例2的色彩配方的评估系统的模块示意图。
图4为本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种色彩配方的评估方法，如图1所示，该评估方法包括：
步骤101、获取历史色彩数据集分布以及新色彩数据；
本实施例中，建立无监督学习的历史色彩数据集分布，在具体实施过程中，针对历 史色彩数据集中所有的历史色彩数据、历史色彩数据对应的历史配方数据以及所涉及到的 色彩建模和环境建模的必要数据，经预处理整列成
Figure 452235DEST_PATH_IMAGE006
维向量
Figure 357875DEST_PATH_IMAGE012
，假设历史色彩数据集分布 有
Figure 860531DEST_PATH_IMAGE013
个数据，历史色彩数据集（即实验数据集）可写为
Figure 244239DEST_PATH_IMAGE014
，则建立的历史 色彩数据集分布的计算公式为：
Figure 188055DEST_PATH_IMAGE015
其中，
Figure 996087DEST_PATH_IMAGE016
表示历史色彩数据集分布，
Figure 720460DEST_PATH_IMAGE017
表示任意历史色彩数据，
Figure 642280DEST_PATH_IMAGE018
表 示第n个历史色彩数据，
Figure 565237DEST_PATH_IMAGE019
表示狄拉克函数。
步骤102、计算新色彩数据在历史色彩数据集分布中的异常度值；
在一可实施的方案中，计算新色彩数据在历史色彩数据集分布中的异常度值的公 式为：
Figure 750362DEST_PATH_IMAGE020
其中，
Figure 529460DEST_PATH_IMAGE002
表示异常度值，
Figure 989391DEST_PATH_IMAGE003
表示新色彩数据，
Figure 501275DEST_PATH_IMAGE004
表示新色彩数据的概率 密度函数值，
Figure 654039DEST_PATH_IMAGE005
表示
Figure 353005DEST_PATH_IMAGE006
维球面的半径，
Figure 882206DEST_PATH_IMAGE007
表示该历史色彩数据集分布中被该
Figure 245667DEST_PATH_IMAGE006
维球面所 包含的
Figure 303753DEST_PATH_IMAGE007
个历史色彩数据，
Figure 21173DEST_PATH_IMAGE008
表示与
Figure 822907DEST_PATH_IMAGE009
、
Figure 43804DEST_PATH_IMAGE010
都不相关的常数。
需要说明的是，在具体计算过程中，
Figure 69528DEST_PATH_IMAGE008
可直接置零，在
Figure 5736DEST_PATH_IMAGE008
置零的情况下，新色彩 数据在历史色彩数据集分布中的异常度值的计算公式为：
Figure 876740DEST_PATH_IMAGE021
；由此 可以看出，当
Figure 952143DEST_PATH_IMAGE011
变小或
Figure 883190DEST_PATH_IMAGE010
变大时，都会导致异常度值
Figure 575203DEST_PATH_IMAGE022
的上升。
本实施例中，获得新色彩数据在历史色彩数据集分布中的异常度值
Figure 718739DEST_PATH_IMAGE022
的数值 解有固定
Figure 648649DEST_PATH_IMAGE011
和固定
Figure 482088DEST_PATH_IMAGE010
两种方法，而局部线性网络模型采用的是前者（即固定
Figure 864659DEST_PATH_IMAGE011
值），当固定
Figure 77466DEST_PATH_IMAGE011
值后，
Figure 393041DEST_PATH_IMAGE010
成为
Figure 603573DEST_PATH_IMAGE011
的函数
Figure 1669DEST_PATH_IMAGE023
；根据预设的
Figure 752588DEST_PATH_IMAGE011
值，计算
Figure 922669DEST_PATH_IMAGE003
与
Figure 100840DEST_PATH_IMAGE024
中各元素之间的距离并按升 序进行排序
Figure 254741DEST_PATH_IMAGE025
，将其中第
Figure 543771DEST_PATH_IMAGE011
个数据
Figure 565429DEST_PATH_IMAGE026
作为半径
Figure 383344DEST_PATH_IMAGE010
代入计算，从而求得
Figure 493382DEST_PATH_IMAGE022
的数 值；
需要说明的是，上述
Figure 586103DEST_PATH_IMAGE007
值的选取，需要在计算效率和结果准确性之间做出权衡，并 可根据实际需要进行调整。一般情况下，优选以
Figure 465198DEST_PATH_IMAGE027
作为
Figure 985172DEST_PATH_IMAGE007
的默认值，也可以根据实际 情况对
Figure 48418DEST_PATH_IMAGE007
值进行设置。此处不做具体限定。
步骤103、基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据；
本实施例中，基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据 的具体过程为：将
Figure 413671DEST_PATH_IMAGE025
中前
Figure 147272DEST_PATH_IMAGE011
个数据取出组成
Figure 838148DEST_PATH_IMAGE028
，设与其对应在
Figure 922778DEST_PATH_IMAGE024
集合中 的元素为
Figure 292055DEST_PATH_IMAGE029
，使
Figure 145742DEST_PATH_IMAGE030
，
Figure 7519DEST_PATH_IMAGE031
作为对应
Figure 48287DEST_PATH_IMAGE032
的权重，
Figure 244692DEST_PATH_IMAGE033
是为防 止运算结果溢出而预设的一个微小正值；
Figure 952885DEST_PATH_IMAGE034
表示k个数据对应的权重，
Figure 985563DEST_PATH_IMAGE035
表示各数据间的 距离，设
Figure 44786DEST_PATH_IMAGE029
所对应的配方数据为
Figure 555533DEST_PATH_IMAGE036
，线性求解新色彩数据
Figure 383812DEST_PATH_IMAGE003
所对应的 推荐配方数据的计算公式为：
Figure 584462DEST_PATH_IMAGE037
，其中，
Figure 865401DEST_PATH_IMAGE038
表示新色彩数据
Figure 445418DEST_PATH_IMAGE003
对应的 配方数据，
Figure 862624DEST_PATH_IMAGE039
表示各配方数据。
需要说明的是，局部线性网络模型在计算配方数据时，并没有对配方数据原料种类设置更多的约束，也就意味着原料种类是可以动态调整的。对应到真实的场景，常会遇到添加一种全新原料等操作，局部线性网络模型在应对这样的数据更新时只需要在原有模型基础上实现扩充即可，提高了计算效率。
另外，局部线性网络模型的求解具备稀疏性，更贴合实际。原料种类通常有几十上百种，但对于某一具体的配方数据而言，不会每种原料都添加一遍，其往往是有限几种成份按一定比例的混合，解决了用其它机器学习算法计算配方数据需要一些更复杂的设计加以配合才能完成的缺陷。
步骤104、根据异常度值对配方数据进行评估，以使得配方数据的准确度值满足预设条件。
在一可实施的方案中，步骤104包括：若异常度值大于等于预设阈值，则发出提示信息，该提示信息用于提示对配方数据进行调整，以使得配方数据的准确度值满足预设条件。即当该历史配方数据对于预测当前色彩配方可能存在可信度欠佳等问题时，需要提示配色工程师介入。
具体地，对于任意一个新色彩数据
Figure 237105DEST_PATH_IMAGE003
，经上述处理后能同时求得关于新色彩数据
Figure 5341DEST_PATH_IMAGE003
对应的配方数据
Figure 589381DEST_PATH_IMAGE038
以及新色彩数据
Figure 657832DEST_PATH_IMAGE003
的异常度值
Figure 468793DEST_PATH_IMAGE022
；若异常度值
Figure 724325DEST_PATH_IMAGE022
小于预 设阈值（即异常度值
Figure 646144DEST_PATH_IMAGE022
很低）时，则表明此时计算得到的对应配方数据
Figure 303522DEST_PATH_IMAGE038
在历史色 彩数据集
Figure 282455DEST_PATH_IMAGE024
中存在较高的数据支持，因此该配方数据
Figure 25283DEST_PATH_IMAGE038
的准确度值满足预设条件，即 该配方数据的准确度较高，其可信度也较高；相反，若异常度值
Figure 750793DEST_PATH_IMAGE022
大于等于预设阈值 （即异常度值
Figure 262677DEST_PATH_IMAGE022
较高）时，由于局部线性网络模型采用的是固定
Figure 415441DEST_PATH_IMAGE011
值的方式，因此可推出 历史色彩数据集
Figure 645565DEST_PATH_IMAGE024
中数据与
Figure 909187DEST_PATH_IMAGE003
距离过大，数据支撑不足，则表明此时计算得到的对应配方 数据
Figure 272648DEST_PATH_IMAGE038
的准确度值不满足预设条件（即该配方数据的准确度较低，其可信度也较低，意 味着需要人为介入），此时发出提示信息，以提示配色工程师对该配方数据
Figure 596313DEST_PATH_IMAGE038
进行人 为判断，如有必要则可以基于人为经验，在该预测结果的基础上进行后续调整，以使得该配 方数据
Figure 579313DEST_PATH_IMAGE038
更接近于预期效果。
需要说明的是，预设阈值根据实际情况进行设置，此处不做具体限定。
本实施例中，局部线性网络模型能够不断纳入新的色彩数据以及对应的配方数据以实现自我更新完善，并通过色彩数据异常度值的统计量，来提升每次的更新后过局部线性网络模型的精准度。实现了对真实数据的最大化利用，也实现了对配方数据的管理、回溯以及AI智能色彩配方的推荐，同时构建局部线性网络模型的过程同样也是配色工程师的人员经验不断向局部线性网络模型转化的过程，相较于一般的色彩配方的辅助计算，其适应生产实际的能力更强，并且该局部线性网络模型结合实际情况，对诸如配色工程师的异动而导致的配方数据波动、大量实验数据没有色彩配方的计算起到了贡献作用，同时针对配方原料多且不确定等问题进行了针对性的改进。
在一可实施的方案中，如图2所示，该评估方法还包括：
步骤1010、基于历史色彩数据集分布计算新色彩数据的概率值；
本实施例中，对于任意一个新色彩数据，经上述同样整列处理成
Figure 646626DEST_PATH_IMAGE040
维向量
Figure 601943DEST_PATH_IMAGE003
后， 求解
Figure 627668DEST_PATH_IMAGE003
的概率密度函数值
Figure 563876DEST_PATH_IMAGE041
；设以
Figure 903721DEST_PATH_IMAGE003
为圆心，
Figure 244704DEST_PATH_IMAGE010
为半径构建一个
Figure 175751DEST_PATH_IMAGE040
维球面，球体包含 历史色彩数据集
Figure 71026DEST_PATH_IMAGE024
中的
Figure 745721DEST_PATH_IMAGE011
个数据点，假设
Figure 672701DEST_PATH_IMAGE003
的概率密度函数值为
Figure 509070DEST_PATH_IMAGE041
，则根据定义，新 色彩数据的概率值的计算公式为：H=
Figure 422799DEST_PATH_IMAGE042
； 具体地，对历史色彩数据集分布
Figure 901185DEST_PATH_IMAGE043
进行积分即可计算得到新色彩数据在历史色 彩数据集中所相似的色彩数据的概率值，其中，H表示新色彩数据
Figure 685601DEST_PATH_IMAGE003
的概率值，
Figure 224030DEST_PATH_IMAGE044
表示新色彩数据
Figure 90967DEST_PATH_IMAGE003
的体积。
步骤1011、根据概率值计算新色彩数据的概率密度函数值；
本实施例中，根据狄拉克函数特性及前述定义可知，上述
Figure 841886DEST_PATH_IMAGE042
该等式右边为
Figure 11967DEST_PATH_IMAGE045
，则新色彩数据的概率 密度函数值的计算公式为：
Figure 190139DEST_PATH_IMAGE046
；根据
Figure 344039DEST_PATH_IMAGE040
维球体体积公式，可知
Figure 836332DEST_PATH_IMAGE047
，其中
Figure 615848DEST_PATH_IMAGE048
表示伽玛函数；代入化简后有
Figure 699342DEST_PATH_IMAGE049
，其中
Figure 543801DEST_PATH_IMAGE050
为与
Figure 902101DEST_PATH_IMAGE011
、
Figure 515616DEST_PATH_IMAGE010
都不相关的常数。
步骤102包括：基于概率密度函数值计算新色彩数据在历史色彩数据集分布中的异常度值。
本实施例中，由于局部线性网络模型的初始计算并不一定准确，但却因为异常度 值
Figure 767082DEST_PATH_IMAGE022
的设置而可以控制配方数据准确度在进行不断地迭代后稳定提升；在具体实施过 程中，针对准确度低的配方数据（或者可信度低的配方数据），配色工程师可以以此时准确 度低的配方数据
Figure 364416DEST_PATH_IMAGE038
为基础，进行一定程度的调整修改，或者以自己的配色经验，直接进 行新配方数据的预测推荐；这些配方数据都需要打板制样进行测色验证，测得真实色泽后 就有了新的建模数据及配方数据，即
Figure 260828DEST_PATH_IMAGE051
和
Figure 260008DEST_PATH_IMAGE052
；局部线性网络模型 的历史色彩数据集
Figure 950884DEST_PATH_IMAGE024
并不是一成不变的，将
Figure 769935DEST_PATH_IMAGE051
加入历史色彩数据集
Figure 201529DEST_PATH_IMAGE024
实现数据 扩充后（设扩充后的新的历史色彩数据集为
Figure 55215DEST_PATH_IMAGE053
），
Figure 182571DEST_PATH_IMAGE054
中会有相较于
Figure 488919DEST_PATH_IMAGE024
中与
Figure 461554DEST_PATH_IMAGE003
更接近的数据点，用更新后的
Figure 169747DEST_PATH_IMAGE053
重复上述全部过程，则能够确保相对应的异常度值
Figure 199495DEST_PATH_IMAGE055
小于上一次的异常度值
Figure 993139DEST_PATH_IMAGE022
，也意味着此时的新的配方数据
Figure 35044DEST_PATH_IMAGE056
相比于 上一次的配方数据
Figure 597744DEST_PATH_IMAGE038
会更加准确；局部线性网络模型的这种特点保证了包含了大量配 色工程师人为经验的新数据不断被写入系统，实现了局部线性网络模型的自我更新，提升 了配方数据的准确度，实现了随数据源的更新而精准度逐渐提升。
需要说明的是，由于局部线性网络模型本质上是基于参数空间线性可分和局部有解的基础逻辑，其根据最终数据处理方式的不同，可以衍生出很多变体，例如，在数据量比较大的情况下，构建广义线性模型或进行逻辑斯谛回归等，在这类情况下，与之对应的异常度值的计算也需要做相应的更改。
本实施例通过计算获取的新色彩数据在历史色彩数据集分布中的异常度值；并基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据；而后根据异常度值对配方数据进行评估，以使得配方数据的准确度值满足预设条件。实现了基于局部线性网络模型以及异常度值对色彩配方数据准确度值的精准评估，提高了配方数据的准确度和可信度。
实施例2
本实施例提供一种色彩配方的评估系统，如图3所示，该评估系统包括获取模块1、第一计算模块2、第二计算模块3和评估模块4；
获取模块1，用于获取历史色彩数据集分布以及新色彩数据；
本实施例中，建立无监督学习的历史色彩数据集分布，在具体实施过程中，针对历 史色彩数据集中所有的历史色彩数据、历史色彩数据对应的历史配方数据以及所涉及到的 色彩建模和环境建模的必要数据，经预处理整列成
Figure 535744DEST_PATH_IMAGE006
维向量
Figure 816684DEST_PATH_IMAGE012
，假设历史色彩数据集分布 有
Figure 393771DEST_PATH_IMAGE013
个数据，历史色彩数据集（即实验数据集）可写为
Figure 76556DEST_PATH_IMAGE014
，则建立的历 史色彩数据集分布的计算公式为：
Figure 451037DEST_PATH_IMAGE015
其中，
Figure 219273DEST_PATH_IMAGE016
表示历史色彩数据集分布，
Figure 602981DEST_PATH_IMAGE017
表示任意历史色彩数据，
Figure 405852DEST_PATH_IMAGE018
表 示第n个历史色彩数据，
Figure 213883DEST_PATH_IMAGE019
表示狄拉克函数。
第一计算模块2，用于计算新色彩数据在历史色彩数据集分布中的异常度值；
在一可实施的方案中，计算新色彩数据在历史色彩数据集分布中的异常度值的公 式为：
Figure 938257DEST_PATH_IMAGE020
其中，
Figure 860076DEST_PATH_IMAGE002
表示异常度值，
Figure 986295DEST_PATH_IMAGE003
表示新色彩数据，
Figure 233737DEST_PATH_IMAGE004
表示新色彩数据的概率 密度函数值，
Figure 976565DEST_PATH_IMAGE005
表示
Figure 167988DEST_PATH_IMAGE006
维球面的半径，
Figure 679871DEST_PATH_IMAGE007
表示该历史色彩数据集分布中被该
Figure 832635DEST_PATH_IMAGE006
维球面所 包含的
Figure 62759DEST_PATH_IMAGE007
个历史色彩数据，
Figure 60802DEST_PATH_IMAGE008
表示与
Figure 692772DEST_PATH_IMAGE009
、
Figure 747928DEST_PATH_IMAGE010
都不相关的常数。
需要说明的是，在具体计算过程中，
Figure 199769DEST_PATH_IMAGE008
可直接置零，在
Figure 532662DEST_PATH_IMAGE008
置零的情况下，新色彩 数据在历史色彩数据集分布中的异常度值的计算公式为：
Figure 753559DEST_PATH_IMAGE021
；由此 可以看出，当
Figure 389070DEST_PATH_IMAGE011
变小或
Figure 817557DEST_PATH_IMAGE010
变大时，都会导致异常度值
Figure 954140DEST_PATH_IMAGE022
的上升。
本实施例中，获得新色彩数据在历史色彩数据集分布中的异常度值
Figure 29544DEST_PATH_IMAGE022
的数值 解有固定
Figure 960590DEST_PATH_IMAGE011
和固定
Figure 121445DEST_PATH_IMAGE010
两种方法，而局部线性网络模型采用的是前者（即固定
Figure 796139DEST_PATH_IMAGE011
值），当固定
Figure 988699DEST_PATH_IMAGE011
值后，
Figure 825068DEST_PATH_IMAGE010
成为
Figure 473218DEST_PATH_IMAGE011
的函数
Figure 686025DEST_PATH_IMAGE023
；根据预设的
Figure 736020DEST_PATH_IMAGE011
值，计算
Figure 743291DEST_PATH_IMAGE003
与
Figure 875807DEST_PATH_IMAGE024
中各元素之间的距离并按升序 进行排序
Figure 361146DEST_PATH_IMAGE025
，将其中第
Figure 265648DEST_PATH_IMAGE011
个数据
Figure 709399DEST_PATH_IMAGE026
作为半径
Figure 800983DEST_PATH_IMAGE010
代入计算，从而求得
Figure 352663DEST_PATH_IMAGE022
的数 值；
需要说明的是，上述
Figure 377250DEST_PATH_IMAGE007
值的选取，需要在计算效率和结果准确性之间做出权衡，并 可根据实际需要进行调整。一般情况下，优选以
Figure 726323DEST_PATH_IMAGE027
作为
Figure 101941DEST_PATH_IMAGE007
的默认值，也可以根据实际情 况对
Figure 194662DEST_PATH_IMAGE007
值进行设置。此处不做具体限定。
第二计算模块3，用于基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据；
本实施例中，基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据 的具体过程为：将
Figure 808177DEST_PATH_IMAGE025
中前
Figure 590801DEST_PATH_IMAGE011
个数据取出组成
Figure 922556DEST_PATH_IMAGE028
，设与其对应在
Figure 818968DEST_PATH_IMAGE024
集合 中的元素为
Figure 552569DEST_PATH_IMAGE029
，使
Figure 977865DEST_PATH_IMAGE030
，
Figure 796916DEST_PATH_IMAGE031
作为对应
Figure 494089DEST_PATH_IMAGE032
的权重，
Figure 347776DEST_PATH_IMAGE033
是为 防止运算结果溢出而预设的一个微小正值；
Figure 209553DEST_PATH_IMAGE034
表示k个数据对应的权重，
Figure 515900DEST_PATH_IMAGE035
表示各数据间 的距离，设
Figure 754115DEST_PATH_IMAGE029
所对应的配方数据为
Figure 196728DEST_PATH_IMAGE036
，线性求解新色彩数据
Figure 492056DEST_PATH_IMAGE003
所对应的 推荐配方数据的计算公式为：
Figure 285700DEST_PATH_IMAGE037
，其中，
Figure 62026DEST_PATH_IMAGE038
表示新色彩数据
Figure 890305DEST_PATH_IMAGE003
对应 的配方数据，
Figure 359463DEST_PATH_IMAGE039
表示各配方数据。
需要说明的是，局部线性网络模型在计算配方数据时，并没有对配方数据原料种类设置更多的约束，也就意味着原料种类是可以动态调整的。对应到真实的场景，常会遇到添加一种全新原料等操作，局部线性网络模型在应对这样的数据更新时只需要在原有模型基础上实现扩充即可，提高了计算效率。
另外，局部线性网络模型的求解具备稀疏性，更贴合实际。原料种类通常有几十上百种，但对于某一具体的配方数据而言，不会每种原料都添加一遍，其往往是有限几种成份按一定比例的混合，解决了用其它机器学习算法计算配方数据需要一些更复杂的设计加以配合才能完成的缺陷。
评估模块4，用于根据异常度值对配方数据进行评估，以使得配方数据的准确度值满足预设条件。
在一可实施的方案中，评估模块4，具体用于若异常度值大于等于预设阈值，则发出提示信息，该提示信息用于提示对配方数据进行调整，以使得配方数据的准确度值满足预设条件。即当该历史配方数据对于预测当前色彩配方可能存在可信度欠佳等问题时，需要提示配色工程师介入。
具体地，对于任意一个新色彩数据
Figure 374824DEST_PATH_IMAGE003
，经上述处理后能同时求得关于新色彩数据
Figure 624015DEST_PATH_IMAGE003
对应的配方数据
Figure 713325DEST_PATH_IMAGE038
以及新色彩数据
Figure 291068DEST_PATH_IMAGE003
的异常度值
Figure 79811DEST_PATH_IMAGE022
；若异常度值
Figure 932361DEST_PATH_IMAGE022
小于预设 阈值（即异常度值
Figure 938494DEST_PATH_IMAGE022
很低）时，则表明此时计算得到的对应配方数据
Figure 483876DEST_PATH_IMAGE038
在历史色彩 数据集
Figure 473829DEST_PATH_IMAGE024
中存在较高的数据支持，因此该配方数据
Figure 658298DEST_PATH_IMAGE038
的准确度值满足预设条件，即该配 方数据的准确度较高，其可信度也较高；相反，若异常度值
Figure 50096DEST_PATH_IMAGE022
大于等于预设阈值（即异 常度值
Figure 766379DEST_PATH_IMAGE022
较高）时，由于局部线性网络模型采用的是固定
Figure 509208DEST_PATH_IMAGE011
值的方式，因此可推出历史 色彩数据集
Figure 969139DEST_PATH_IMAGE024
中数据与
Figure 481023DEST_PATH_IMAGE003
距离过大，数据支撑不足，则表明此时计算得到的对应配方数据
Figure 365278DEST_PATH_IMAGE038
的准确度值不满足预设条件（即该配方数据的准确度较低，其可信度也较低，意味着 需要人为介入），此时发出提示信息，以提示配色工程师对该配方数据
Figure 595402DEST_PATH_IMAGE038
进行人为判 断，如有必要则可以基于人为经验，在该预测结果的基础上进行后续调整，以使得该配方数 据
Figure 859024DEST_PATH_IMAGE038
更接近于预期效果。
需要说明的是，预设阈值根据实际情况进行设置，此处不做具体限定。
本实施例中，局部线性网络模型能够不断纳入新的色彩数据以及对应的配方数据以实现自我更新完善，并通过色彩数据异常度值的统计量，来提升每次的更新后过局部线性网络模型的精准度。实现了对真实数据的最大化利用，也实现了对配方数据的管理、回溯以及AI智能色彩配方的推荐，同时构建局部线性网络模型的过程同样也是配色工程师的人员经验不断向局部线性网络模型转化的过程，相较于一般的色彩配方的辅助计算，其适应生产实际的能力更强，并且该局部线性网络模型结合实际情况，对诸如配色工程师的异动而导致的配方数据波动、大量实验数据没有色彩配方的计算起到了贡献作用，同时针对配方原料多且不确定等问题进行了针对性的改进。
在一可实施的方案中，如图3所示，该评估系统还包括第三计算模块5和第四计算模块6；
第三计算模块5，用于基于历史色彩数据集分布计算新色彩数据的概率值；
本实施例中，对于任意一个新色彩数据，经上述同样整列处理成
Figure 428677DEST_PATH_IMAGE040
维向量
Figure 17921DEST_PATH_IMAGE003
后， 求解
Figure 204183DEST_PATH_IMAGE003
的概率密度函数值
Figure 471829DEST_PATH_IMAGE041
；设以
Figure 427146DEST_PATH_IMAGE003
为圆心，
Figure 656134DEST_PATH_IMAGE010
为半径构建一个
Figure 64112DEST_PATH_IMAGE040
维球面，球体包含 历史色彩数据集
Figure 401028DEST_PATH_IMAGE024
中的
Figure 476432DEST_PATH_IMAGE011
个数据点，假设
Figure 610741DEST_PATH_IMAGE003
的概率密度函数值为
Figure 37174DEST_PATH_IMAGE041
，则根据定义，新色 彩数据的概率值的计算公式为：H=
Figure 180711DEST_PATH_IMAGE042
；具 体地，对历史色彩数据集分布
Figure 641779DEST_PATH_IMAGE043
进行积分即可计算得到新色彩数据在历史色彩 数据集中所相似的色彩数据的概率值，其中，H表示新色彩数据
Figure 740797DEST_PATH_IMAGE003
的概率值，
Figure 654527DEST_PATH_IMAGE044
表 示新色彩数据
Figure 601754DEST_PATH_IMAGE003
的体积。
第四计算模块6，用于根据概率值计算新色彩数据的概率密度函数值；
本实施例中，根据狄拉克函数特性及前述定义可知，上述
Figure 651750DEST_PATH_IMAGE042
该等式右边为
Figure 393441DEST_PATH_IMAGE045
，则新色彩数据的概率 密度函数值的计算公式为：
Figure 794466DEST_PATH_IMAGE046
；根据
Figure 542455DEST_PATH_IMAGE040
维球体体积公式，可知
Figure 712536DEST_PATH_IMAGE047
，其中
Figure 890708DEST_PATH_IMAGE048
表示伽玛函数；代入化简后有
Figure 247871DEST_PATH_IMAGE049
，其中
Figure 271322DEST_PATH_IMAGE050
为与
Figure 761821DEST_PATH_IMAGE011
、
Figure 376474DEST_PATH_IMAGE010
都不相关的常数。
第一计算模块2，具体用于基于概率密度函数值计算新色彩数据在历史色彩数据集分布中的异常度值。
本实施例中，由于局部线性网络模型的初始计算并不一定准确，但却因为异常度 值
Figure 689774DEST_PATH_IMAGE022
的设置而可以控制配方数据准确度在进行不断地迭代后稳定提升；在具体实施过 程中，针对准确度低的配方数据（或者可信度低的配方数据），配色工程师可以以此时准确 度低的配方数据
Figure 782495DEST_PATH_IMAGE038
为基础，进行一定程度的调整修改，或者以自己的配色经验，直接进 行新配方数据的预测推荐；这些配方数据都需要打板制样进行测色验证，测得真实色泽后 就有了新的建模数据及配方数据，即
Figure 839354DEST_PATH_IMAGE051
和
Figure 297012DEST_PATH_IMAGE052
；局部线性网络模 型的历史色彩数据集
Figure 894346DEST_PATH_IMAGE024
并不是一成不变的，将
Figure 787828DEST_PATH_IMAGE051
加入历史色彩数据集
Figure 255850DEST_PATH_IMAGE024
实现 数据扩充后（设扩充后的新的历史色彩数据集为
Figure 946725DEST_PATH_IMAGE053
），
Figure 765777DEST_PATH_IMAGE054
中会有相较于
Figure 465880DEST_PATH_IMAGE024
中与
Figure 316637DEST_PATH_IMAGE003
更接近的数据点，用更新后的
Figure 178413DEST_PATH_IMAGE053
重复上述全部过程，则能够确保相对应的异常 度值
Figure 484761DEST_PATH_IMAGE055
小于上一次的异常度值
Figure 722975DEST_PATH_IMAGE022
，也意味着此时的新的配方数据
Figure 962327DEST_PATH_IMAGE056
相 比于上一次的配方数据
Figure 995005DEST_PATH_IMAGE038
会更加准确；局部线性网络模型的这种特点保证了包含了大 量配色工程师人为经验的新数据不断被写入系统，实现了局部线性网络模型的自我更新， 提升了配方数据的准确度，实现了随数据源的更新而精准度逐渐提升。
需要说明的是，由于局部线性网络模型本质上是基于参数空间线性可分和局部有解的基础逻辑，其根据最终数据处理方式的不同，可以衍生出很多变体，例如，在数据量比较大的情况下，构建广义线性模型或进行逻辑斯谛回归等，在这类情况下，与之对应的异常度值的计算也需要做相应的更改。
本实施例通过计算获取的新色彩数据在历史色彩数据集分布中的异常度值；并基于构建的局部线性网络模型计算得到新色彩数据对应的配方数据；而后根据异常度值对配方数据进行评估，以使得配方数据的准确度值满足预设条件。实现了基于局部线性网络模型以及异常度值对色彩配方数据准确度值的精准评估，提高了配方数据的准确度和可信度。
实施例3
图4为本发明实施例3提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1的色彩配方的评估方法。图4显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的色彩配方的评估方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID（磁盘阵列）系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1所提供的色彩配方的评估方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1所述的色彩配方的评估方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种色彩配方的评估方法，其特征在于，所述评估方法包括：
获取历史色彩数据集分布以及新色彩数据；其中，历史色彩数据集中所有的历史色彩数据、所述历史色彩数据对应的历史配方数据以及所述历史色彩数据的色彩建模数据和环境建模数据，经预处理整列成M维向量x，历史色彩数据集分布有N个数据，历史色彩数据集为D＝{x(1),…,x(n)}，建立的历史色彩数据集分布的计算公式为：
Figure FDA0003706155690000011
其中，pemp(x|D)表示历史色彩数据集分布，x表示任意历史色彩数据，x(n)表示第n个历史色彩数据，δ表示狄拉克函数；
计算所述新色彩数据在所述历史色彩数据集分布中的异常度值；
基于构建的局部线性网络模型计算得到所述新色彩数据对应的配方数据；
根据所述异常度值对所述配方数据进行评估，以使得所述配方数据的准确度值满足预设条件。
2.如权利要求1所述的色彩配方的评估方法，其特征在于，所述获取历史色彩数据集分布以及新色彩数据的步骤之后，所述评估方法还包括：
基于所述历史色彩数据集分布计算所述新色彩数据的概率值；
根据所述概率值计算所述新色彩数据的概率密度函数值；
所述计算所述新色彩数据在所述历史色彩数据集分布中的异常度值的步骤包括：
基于所述概率密度函数值计算所述新色彩数据在所述历史色彩数据集分布中的异常度值。
3.如权利要求1所述的色彩配方的评估方法，其特征在于，所述根据所述异常度值对所述配方数据进行评估的步骤包括：
若所述异常度值大于等于预设阈值，则发出提示信息，所述提示信息用于提示对所述配方数据进行调整，以使得所述配方数据的准确度值满足所述预设条件。
4.如权利要求2所述的色彩配方的评估方法，其特征在于，所述计算所述新色彩数据在所述历史色彩数据集分布中的异常度值的公式为：
a(x′)＝-ln p(x′)＝-lnk+Mln∈+C′
其中，a(x′)表示异常度值，x′表示新色彩数据，p(x′)表示新色彩数据的概率密度函数值，∈表示M维球面的半径，k表示该历史色彩数据集分布中被该M维球面所包含的k个历史色彩数据，C′表示与k、∈都不相关的常数。
5.一种色彩配方的评估系统，其特征在于，所述评估系统包括获取模块、第一计算模块、第二计算模块和评估模块；
所述获取模块，用于获取历史色彩数据集分布以及新色彩数据；其中，历史色彩数据集中所有的历史色彩数据、所述历史色彩数据对应的历史配方数据以及所述历史色彩数据的色彩建模数据和环境建模数据，经预处理整列成M维向量x，历史色彩数据集分布有N个数据，历史色彩数据集为D＝{x(1),…,x(n)}，建立的历史色彩数据集分布的计算公式为：
Figure FDA0003706155690000021
其中，pemp(x|D)表示历史色彩数据集分布，x表示任意历史色彩数据，x(n)表示第n个历史色彩数据，δ表示狄拉克函数；
所述第一计算模块，用于计算所述新色彩数据在所述历史色彩数据集分布中的异常度值；
所述第二计算模块，用于基于构建的局部线性网络模型计算得到所述新色彩数据对应的配方数据；
所述评估模块，用于根据所述异常度值对所述配方数据进行评估，以使得所述配方数据的准确度值满足预设条件。
6.如权利要求5所述的色彩配方的评估系统，其特征在于，所述评估系统还包括第三计算模块和第四计算模块；
所述第三计算模块，用于基于所述历史色彩数据集分布计算所述新色彩数据的概率值；
所述第四计算模块，用于根据所述概率值计算所述新色彩数据的概率密度函数值；
所述第一计算模块，具体用于基于所述概率密度函数值计算所述新色彩数据在所述历史色彩数据集分布中的异常度值。
7.如权利要求5所述的色彩配方的评估系统，其特征在于，所述评估模块，具体用于若所述异常度值大于等于预设阈值，则发出提示信息，所述提示信息用于提示对所述配方数据进行调整，以使得所述配方数据的准确度值满足所述预设条件。
8.如权利要求6所述的色彩配方的评估系统，其特征在于，所述计算所述新色彩数据在所述历史色彩数据集分布中的异常度值的公式为：
a(x′)＝-ln p(x′)＝-lnk+Mln∈+C′
其中，a(x′)表示异常度值，x′表示新色彩数据，p(x′)表示新色彩数据的概率密度函数值，∈表示M维球面的半径，k表示该历史色彩数据集分布中被该M维球面所包含的k个历史色彩数据，C′表示与k、∈都不相关的常数。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任意一项所述的色彩配方的评估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任意一项所述的色彩配方的评估方法。
CN202210243753.XA 2022-03-14 2022-03-14 色彩配方的评估方法、系统、设备及介质 Active CN114417736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210243753.XA CN114417736B (zh) 2022-03-14 2022-03-14 色彩配方的评估方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210243753.XA CN114417736B (zh) 2022-03-14 2022-03-14 色彩配方的评估方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN114417736A CN114417736A (zh) 2022-04-29
CN114417736B true CN114417736B (zh) 2022-08-09

Family

ID=81263669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210243753.XA Active CN114417736B (zh) 2022-03-14 2022-03-14 色彩配方的评估方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN114417736B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492294A (zh) * 2018-03-23 2018-09-04 北京邮电大学 一种图像色彩和谐程度的评估方法及装置
CN109584326A (zh) * 2018-11-07 2019-04-05 厦门欢乐逛科技股份有限公司 海报自动配色方法、介质、计算机设备及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6714924B1 (en) * 2001-02-07 2004-03-30 Basf Corporation Computer-implemented neural network color matching formulation system
JP4645666B2 (ja) * 2008-03-19 2011-03-09 富士ゼロックス株式会社 色処理装置およびプログラム
CN109946245B (zh) * 2019-02-01 2020-05-01 东华大学 一种染料的计算机配色方法
CN110377806A (zh) * 2019-07-22 2019-10-25 广东溢达纺织有限公司 染色配方获取方法、装置、计算机设备和存储介质
CN113128104A (zh) * 2021-03-12 2021-07-16 嘉兴职业技术学院 一种基于改进bp神经网络的计算机测配色方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492294A (zh) * 2018-03-23 2018-09-04 北京邮电大学 一种图像色彩和谐程度的评估方法及装置
CN109584326A (zh) * 2018-11-07 2019-04-05 厦门欢乐逛科技股份有限公司 海报自动配色方法、介质、计算机设备及装置

Also Published As

Publication number Publication date
CN114417736A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
US20220210028A1 (en) Cloud software service resource allocation method based on qos model self-correctio
Jones-Farmer et al. Distribution-free phase I control charts for subgroup location
KR102468316B1 (ko) 과거 데이터에 기초한 시계열 예측 방법 및 장치
US20210216901A1 (en) Estimation system, estimation method, and estimation program
JP2020154785A (ja) 予測方法、予測プログラムおよびモデル学習方法
CN113837427B (zh) 用于对资产执行预测性健康分析的方法和计算系统
CN109599866B (zh) 一种预测辅助的电力系统状态估计方法
US11599746B2 (en) Label shift detection and adjustment in predictive modeling
CN112823364A (zh) 预测模型增强
CN115062501A (zh) 一种基于自适应子问题选择策略的芯片封装设计优化方法
CN112766537A (zh) 一种短期电负荷预测方法
CN110995384B (zh) 一种基于机器学习的广播总控故障趋势预判方法
US20160246277A1 (en) Model Predictive Control with Uncertainties
CN114417736B (zh) 色彩配方的评估方法、系统、设备及介质
CN116992607A (zh) 一种结构拓扑优化方法、系统及装置
Huang et al. Network reliability evaluation of manufacturing systems by using a deep learning approach
US20130204818A1 (en) Modeling method of neuro-fuzzy system
Yerlikaya-Özkurt et al. A hybrid computational method based on convex optimization for outlier problems: Application to earthquake ground motion prediction
Pattnaik et al. A survey on machine learning techniques used for software quality prediction
US11783194B1 (en) Evolutionary deep learning with extended Kalman filter for modeling and data assimilation
CN109447131B (zh) 相似高维目标信息识别方法及系统
Saleem et al. Development of new robust optimal score function for the Weibull distributed error term in multilevel models
Ruan et al. Robust satisficing mdps
Fan et al. Review of Large-Scale Simulation Optimization
CN118345334B (zh) 膜层厚度的校正方法、装置、计算机设备

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