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 PDFInfo
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 14
- 239000002994 raw material Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
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:
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:
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 维向量 ,假设历史色彩数据集分布
有个数据,历史色彩数据集(即实验数据集)可写为 ,则建立的历史
色彩数据集分布的计算公式为:
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;
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的数值
解有固定 和固定两种方法,而局部线性网络模型采用的是前者(即固定 值),当固定 值后, 成为 的函数 ;根据预设的值,计算 与 中各元素之间的距离并按升
序进行排序,将其中第 个数据 作为半径 代入计算,从而求得的数
值;
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:将中前 个数据取出组成 ,设与其对应在集合中
的元素为 ,使 , 作为对应 的权重, 是为防
止运算结果溢出而预设的一个微小正值; 表示k个数据对应的权重, 表示各数据间的
距离,设 所对应的配方数据为,线性求解新色彩数据 所对应的
推荐配方数据的计算公式为: ,其中, 表示新色彩数据对应的
配方数据, 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 ,经上述处理后能同时求得关于新色彩数据 对应的配方数据 以及新色彩数据的异常度值 ;若异常度值 小于预
设阈值(即异常度值 很低)时,则表明此时计算得到的对应配方数据 在历史色
彩数据集 中存在较高的数据支持,因此该配方数据 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 大于等于预设阈值
(即异常度值 较高)时,由于局部线性网络模型采用的是固定值的方式,因此可推出
历史色彩数据集 中数据与距离过大,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 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 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 维向量 后,
求解 的概率密度函数值 ;设以 为圆心, 为半径构建一个维球面,球体包含
历史色彩数据集 中的 个数据点,假设 的概率密度函数值为 ,则根据定义,新
色彩数据的概率值的计算公式为:H=;
具体地,对历史色彩数据集分布 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 的概率值,
表示新色彩数据 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,上述该等式右边为 ,则新色彩数据的概率
密度函数值的计算公式为: ;根据 维球体体积公式,可知 ,其中 表示伽玛函数;代入化简后有,其中 为与 、 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 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,即和 ;局部线性网络模型
的历史色彩数据集并不是一成不变的,将加入历史色彩数据集实现数据
扩充后(设扩充后的新的历史色彩数据集为),中会有相较于 中与
更接近的数据点,用更新后的 重复上述全部过程,则能够确保相对应的异常度值小于上一次的异常度值 ,也意味着此时的新的配方数据 相比于
上一次的配方数据会更加准确;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 维向量 ,假设历史色彩数据集分布
有 个数据,历史色彩数据集(即实验数据集)可写为 ,则建立的历
史色彩数据集分布的计算公式为:
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;
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 的数值
解有固定和固定 两种方法,而局部线性网络模型采用的是前者(即固定 值),当固定
值后, 成为 的函数;根据预设的 值,计算 与中各元素之间的距离并按升序
进行排序 ,将其中第个数据 作为半径 代入计算,从而求得的数
值;
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 中前 个数据取出组成 ,设与其对应在 集合
中的元素为 ,使 , 作为对应的权重, 是为
防止运算结果溢出而预设的一个微小正值; 表示k个数据对应的权重, 表示各数据间
的距离,设 所对应的配方数据为,线性求解新色彩数据所对应的
推荐配方数据的计算公式为: ,其中, 表示新色彩数据 对应
的配方数据, 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,经上述处理后能同时求得关于新色彩数据 对应的配方数据 以及新色彩数据的异常度值;若异常度值 小于预设
阈值(即异常度值 很低)时,则表明此时计算得到的对应配方数据 在历史色彩
数据集中存在较高的数据支持,因此该配方数据 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 大于等于预设阈值(即异
常度值 较高)时,由于局部线性网络模型采用的是固定 值的方式,因此可推出历史
色彩数据集 中数据与距离过大,数据支撑不足,则表明此时计算得到的对应配方数据 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 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 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 维向量 后,
求解 的概率密度函数值 ;设以 为圆心, 为半径构建一个维球面,球体包含
历史色彩数据集 中的个数据点,假设的概率密度函数值为 ,则根据定义,新色
彩数据的概率值的计算公式为:H= ;具
体地,对历史色彩数据集分布 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 的概率值, 表
示新色彩数据 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 该等式右边为 ,则新色彩数据的概率
密度函数值的计算公式为: ;根据维球体体积公式,可知 ,其中 表示伽玛函数;代入化简后有 ,其中 为与 、 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 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 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 和 ;局部线性网络模
型的历史色彩数据集 并不是一成不变的,将加入历史色彩数据集 实现
数据扩充后(设扩充后的新的历史色彩数据集为 ),中会有相较于
中与 更接近的数据点,用更新后的重复上述全部过程,则能够确保相对应的异常
度值小于上一次的异常度值 ,也意味着此时的新的配方数据相
比于上一次的配方数据会更加准确;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:
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:
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。
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)
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)
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 |
-
2022
- 2022-03-14 CN CN202210243753.XA patent/CN114417736B/zh active Active
Patent Citations (2)
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 |