【発明の詳細な説明】 比率予測システムと混合物生成方法技術範囲 本発明は複数の材料、色、光、音響信号、電気信号、電磁波、またはこれらに類するものを混合して希望の目標物を生成する際の比率または混合比を予測するための比率予測システムに関し、また、この比率予測システムが予測する比率を使用して希望の目標物を生成するための混合物生成方法に関する。 Mixture generation method scope the invention and Detailed Description of the Invention ratio prediction system generates a plurality of materials, colors, optical, acoustic signal, an electrical signal, an electromagnetic wave or target desired by mixing the like thereto, It relates ratio prediction system for predicting the ratio or mixing ratio at the time of, also relates to mixtures generating method for this ratio prediction system generates a target desired to use the ratio to predict. 技術的背景先行技術について論じるに当たり、例えば、複数の色素を混合して特定仕様の色を生成するための色調合予測の分野について言及する。 In discussing the technical background prior art, for example, referring to the field of color formulation prediction for generating a color of a specific specification as a mixture of several dyes. 以下の説明に於いては、特定仕様の色を生成するために混合するオリジナル色素を要素と称している。 It is In the following description, referred to the original dye to be mixed to generate the color of a particular specification and elements. 先行技術によるこのための最も簡単な方法は、熟練者が目標とする色を見て、要素の比率または混合比を経験的に決定するというものである。 The easiest way to do this according to the prior art, looking at the color skilled artisans to the target, is that empirically determine the ratio or mixing ratio of components. 他の先行技術は、 目標色のスペクトルを分析する段階と、データベースを探索して先に分析したスペクトルに最も近いスペクトルの色にマッチする色を見つける段階と、先の色の生成に使用されている要素色素の比率を参照して要素比率を精巧に調整する段階とを含んでいる。 Other prior art includes the steps of analyzing the spectrum of the target color, comprising the steps of finding a color that matches the closest color spectrum to the spectrum analyzed earlier searches the database, it is used to generate the previous color and a step of finely adjusting the reference to element ratio the ratio of the element dye are. この他に、先行技術として、例えばジー． In addition, as prior art, for example G.. ウェゼツキー（G．Wyszecki）及びダブリュ． Wezetsuki (G.Wyszecki) and AW. エス． Es. スタイルス（WS．Stiles）がその著書「色彩科学：概念と方法、量的データと公式」（ニューヨーク市、ワイリー、第2版（1982年））に於いて1つの方法を開示している。 Styles (WS.Stiles) is the book "Color Science: Concepts and Methods, quantitative data and the official" discloses one method at the (New York City, Wiley, Second Edition (1982)). この方法では、クベルカ-ムンク（Kubelka-Munk ）理論によって表示されるような比率の色スペクトルと映像との関係を数学的にシミュレートするモデルを使用して、色のスペクトルから比率を決定している。 In this way, Kubelka - Munk (Kubelka-Munk) using a mathematical model simulating the relationship between the color spectrum and the image ratio as displayed by theory, by determining the ratio from the color spectrum of there. より最近の先行技術としては、例えばジェー.エム.ビショップ(JMBishop)、エム.ジェー.ブシュネル(MJBushnell) 及びエス． A more recent prior art, for example, J.. M.. Bishop (JMBishop), M.. J.. Bushnell (MJBushnell) and S.. ウエストランド（S．Westland）共著「コンピュータによる配合予測への神経ネットワークの適用」（カラーリサーチとアプリケーション、第16巻第1号、3-9ページ（1991年））に於いて、色スペクトルの入力に応じて神経ネットワークへ比率の出力が教示される方法が開示されている。 Westland (S.Westland) "the application of neural networks to the compounding prediction by computer," co-author at the (color research and applications, Vol. 16, No. 1, page 3-9 (1991)), the input of the color spectrum discloses a method of output ratio to neural network is taught in accordance with the. 何れにしても、先行技術では、こうした方法で取得した比率に従って要素色素を混合し、目標色を生成している。 In any case, in the prior art, by mixing the components dye according to the ratio obtained in this way, and generates a target color. 先の説明は色の調合に焦点を於いたものであるが、同様の論議が香料、食料品の生成、音響効果の設計、材質開発またはこれらに類するもの、に等しく適用される。 Although the foregoing description is intended to focus on the formulation of the color, the same discussion is perfume, production of foodstuffs, the design of the sound effects, the like to the material development or they are equally applicable. 先行技術による方法の全てに共通する特徴は、任意の仕様を満足させる色、光、または材質が、人間の感覚による認識、経験、及び実験的データベースを使用して行なう試行錯誤を基礎にして生成される点である。 A common feature of all the prior art method, color produced to satisfy any specification, light or material, is, recognition by human senses, experience, and the basis of the trial and error conducted using an experimental database is a point to be. こうした方法で高度の精巧さを達成することが困難であることは容易に理解されるであろう。 It possible to achieve a high degree of sophistication in such method is difficult will be readily understood. 色の調合の分野で一般に使用されるクベルカ-ムンク理論に於いては方程式によって表示する数学的シミュレーションモデルが論じられているが、あらゆる状況に適合させることのできるモデルの生成が困難であることから、その適用は限定的である。 Since the In Munk theory are discussed mathematical simulation model for display by the equation generation of models that can be adapted to any situation is difficult - Kubelka commonly used in the field of preparation of color , its application is limited. 従来のクベルカ-ムンク理論は色合わせの予測に広く利用されてはいるが、この理論が適用可能であるような状況を限定する幾つかの仮定が設定されている。 Conventional Kubelka - but Munk theory is the widely used to predict color matching, several assumptions are set to limit the situations this theory is applicable. 上述のモデルに替わるモデルの形成は、実に困難である。 Formation model alternative to the above-mentioned model is quite difficult. 代替モデルの形成に於ける困難さを除去する技術としては、神経ネットワークの利用が有効であるとされている。 As a technique for removing in difficulty in the formation of alternative models, the use of neural networks are to be effective. しかしながら、神経ネットワークに0.01%といった低比率の予測に必要な精度を表示させるには、人間の視覚は敏感すぎる。 However, in order to display the precision required for the prediction of the low proportions such 0.01% to neural networks, human vision is too sensitive. 発明の開示先の点を考慮して、本発明は、それぞれ複数の色要素、光要素、音響信号要素、電気信号要素、または電磁波要素を混合してそれぞれ目標物質、目標色、目標光、目標音響信号、目標電気信号、または目標電磁波を生成する際の比率または混合比を高精度で系統的に予測するための改良された比率予測システムの提供を目的としている。 In view of the disclosure destination invention, the present invention provides a plurality of color elements, optical elements, an acoustic signal elements, the electric signal element or the respective target material by mixing an electromagnetic wave elements, the target color, the target light, the target acoustic signals, are intended to provide a target electrical signal or improved ratio prediction system for the ratio or mixing ratio in generating the target wave to systematically predict with high accuracy. 本発明の目的はまた、その仕様が目標物質、目標色、目標光、目標音響信号、 目標電気信号、または目標電磁波の仕様に類似している物質、色、光、音響信号、電気信号、または電磁波といった希望の目標物を生成するための改良された混合物生成方法を提供することにある。 An object of the present invention also has the specifications target substance, the target color, the target light, a target acoustic signal, a target electric signal or similar to that material specifications of the target wave, color, optical, acoustic signal, an electrical signal or, to provide an improved mixture generation method for generating a target of choice, such as electromagnetic waves. 本願に於ける「要素」という用語は、混合が可能である様々な物理的及び／或いは化学的特性を有する物質、色、光、音響信号、電気信号、または電磁波を意味し、また本願で使用している「目標物」という用語は、こうした要素を混合して生成される物質、色、光、音響信号、電気信号、または電磁波を意味する。 The term in "element" in the present application, materials having different physical and / or chemical properties are possible mixing, color, optical, acoustic signal, an electrical signal or an electromagnetic wave, it means, also used in this application term and are "target" that is, means material produced by mixing these elements, color, optical, acoustic signal, an electrical signal or an electromagnetic wave. また、本願で引用している「混合」という用語は、単に物理的物質、化学物質、または電気的事象の直接的混合だけでなく、物質が実際に混合されていなくとも人間の感覚組織がそれと認識する物質の混合をも意味するものとして理解すべきである。 The term has been cited in this application, "mixing" is simply physical material, chemical or well direct mixing of electrical events, therewith the human senses tissue without being material actually mixed it should be understood as meaning also the mixing of the recognized substances. 例えば、人間の感覚組織がそれと感知する物質の混合としては、カラープリンタ等によって所定の領域にカラートナー粒子を違った比率で空間的に配置することによる混合色の生成、或いはカラーディスプレイ等によってディスプレイ空間内に分散する光の強度を変えて色を表示することによる混合色の生成等がある。 Display example, the mixing of the substances human sense tissue senses it, the generation of mixed colors due to spatially arranged in proportions different color toner particles to a predetermined area by a color printer or the like, or by a color display, there are mixed colors such as generation of by displaying the color by changing the intensity of the dispersed light into the space. 従って、本願に於ける「混合物」という用語は、こうした特殊な混合によって生成される物質、色、光、音響信号、電気信号、または電磁波を意味する。 Thus, the term in the present application, "mixture" refers to substances that are produced by such special mixing, color, optical, acoustic signal, an electrical signal or an electromagnetic wave. 本発明の1態様として提示した比率予測装置には、目標物の特徴を決定するための比率特性抽出器と、2つ以上の要素の比率または混合比を予測するためのGA( 遺伝アルゴリズム)計算器と、2つの特徴間の類似性を算出するための評価手段とが含まれている。 The ratio prediction apparatus presented as one aspect of the present invention, GA (genetic algorithm) for predicting the ratio characteristic extractor for determining the characteristics of the target, the ratio or mixing ratio of the two or more processing elements and vessels, are included and evaluating means for calculating the similarity between two features. 本発明の他の態様として提示した混合物生成方法には、目標物の特徴を決定するための比率特性抽出器と、2つ以上の要素の比率または混合比を予測するためのGA（遺伝アルゴリズム）計算器と、2つの特徴間の類似性を算出するための評価手段と、GAプロセッサが最終的に算出した各比率によって要素を混合するためのミキサとが含まれている。 The mixture generation method presented as another embodiment of the present invention, the ratio characteristic extractor for determining the characteristics of the target, for predicting the ratio or mixing ratio of two or more elements GA (Genetic Algorithm) and calculator, and evaluation means for calculating the similarity between two features are included and a mixer for mixing the components with each ratio GA processor has finally calculated. 本発明が採用している評価手段には、GAプロセッサが予測する比率を受信して比率がゼロでない要素のタイプを評価するように適応化された混合物要素評価部分、及び／或いは各比率で要素を混合して形成する混合物の特徴を予測し、それを目標物の特徴と比較するための混合物特徴評価部分のうちの少なくとも1つが含まれている。 The evaluation means present invention is employed, adapted to mixture component evaluation portion such that the ratio by receiving ratio GA processor predicts evaluates the type of non-zero elements, and / or in the proportion element predicting the characteristics of the mixture formed by mixing includes at least one of mixtures characterization part for comparing the feature of the target it. 本発明に使用している評価手段の混合物要素評価部分は、要素番号評価部分と不要要素番号評価部分のうちの少なくとも1つを含んでいる。 Mixture component evaluation portion of the evaluating means are used in the present invention contains at least one of element numbers evaluation part and the unnecessary element number evaluation portion. 要素番号評価部分は、GAプロセッサが予測する比率を受信してその予測比率をデジタル化するように適応化された混合物要素番号セレクタと、混合物特徴抽出器が抽出する特徴を受信して目標物を形成する要素タイプを予測するように適応化された混合物要素予測器と、混合物要素番号セレクタから取得し混合の際に使用する要素番号を混合物要素予測器から取得する要素番号と比較して類似性を出力する要素番号距離計算器とを含んでいる。 Element number evaluation portion includes a adapted to mixture component number selector to digitize the prediction ratio to receive a percentage of GA processor predicts, the mixture feature extractor target receives the feature to be extracted and mixtures element predictor element type is adapted to predict the formation, the mixture element number of element numbers to be used when the obtained mixture from the selector mixture components as compared to the element number obtained from the predictor similarity and a element number distance calculator for outputting. 一方、不要要素番号評価部分は、混合物要素番号セレクタと、混合にとって不要な組合せを知識として表示している知識ベースと、混合物要素番号セレクタから取得した要素番号を受信して混合に使用し、知識ベースと参照して不要な要素番号が存在している場合には適合性を低下させるように適応化されたペナルティ部分とを含んでいる。 On the other hand, unnecessary element number evaluation portion includes a mixture element number selector, using unnecessary combinations and knowledge base being displayed as knowledge, the mixture receives the acquired element number from the mixture element number selector for mixing, knowledge when the base and reference to unnecessary element number is present and an adaptation has been penalty portion to reduce the compatibility. 混合物特徴評価部分は、GAプロセッサが計算する予測比率を受信し同予測比率で要素を混合して取得する混合物の特徴を予測するように適応化された混合物特徴予測器と、混合物特徴抽出器が抽出する特徴を混合物特徴予測器が予測する混合物の特徴と比較して類似性を出力するための混合物特徴距離計算器とを含んでいる。 Mixture characterization part, and adapted to the mixture, wherein the predictor to predict the characteristics of the mixture obtained by mixing the components at the same prediction ratio to receive a predicted ratio of GA processor calculates, mixtures feature extractor the features extraction mixture, wherein the predictor contains a mixture wherein the distance calculator for outputting a compared to similarity with features of the mixture to predict. 本発明に使用しているGAプロセッサは、比率予測のために遺伝アルゴリズムに従って初期値を決定するGA初期値決定部分と、比率を継続して決定するための動的GAプロセッサとを含んでいる。 GA processor which is used in this invention includes a GA initial value determining portion for determining an initial value according to the genetic algorithm to the ratio predicted, and a dynamic GA processor for determining continuously the ratio. GA初期値決定部分は、目標物の特徴を受信して後に初期値となる比率を予測するように適応化された少なくとも1つの比率初期値決定部分を含んでいる。 GA initial value determining portion includes a feature of at least one ratio initial value determining portion is adapted to predict the ratio as an initial value after receiving a target. 上述のGA初期値決定部分は、目標物の特徴を受信して後に各初期値となる比率を予測するための少なくとも1つの比率初期値決定手段と、要素の組合せに関する知識ベースと、比率初期値決定手段からの出力を同知識と比較し、不要な要素候補の比率をゼロに置き換えて新たなGAプロセッサの初期値を作り出すマルチエリート発生器とを包含可能である。 GA initial value determining portion described above, at least one ratio initial value determining means for predicting the rate at which the initial values after receiving a characteristic of the target, and the knowledge base relates to the combination of elements, the ratio initial value the output from the determination means as compared to the same knowledge, it is possible to include a multi-elite generator replaces the proportion of unwanted elements candidate to zero produces an initial value of a new GA processor. 代替として、GA初期値決定部分は、目標とする色のL*-a*-b*といった色空間に於ける座標を出力するための色空間特徴抽出器と、色空間特徴抽出器から取得した色空間に於ける座標を受信してその目標色がどの代表色領域に含まれるかを決定するように適応化された色空間分類器と、要素の色の組合せに関する知識を表記した知識ベースと、ランダム比を出力するためのランダム初期値発生器と、ランダム初期値発生器が生成する比率、及び色空間分類器が決定し知識ベースでの探索操作が可能な代表色領域に関する情報を受信して、ランダム初期値から取得するランダム比率値に不適当な色の組合せをした色領域が含まれているかどうかを判断し、不適当なランダム比率を修正するように適応化されたランダム初期値修正器とを包含可能である Alternatively, GA initial value determining section includes a color space feature extractor for outputting at coordinates in the color space such as the color of the L * -a * -b * as a target, obtained from the color space feature extractor as either a color space classifier which is adapted to determine a target color is included in which representative color area, a knowledge base expressed knowledge color combinations of elements receives at coordinates in the color space receives a random initial value generator for outputting a random ratio, the ratio of generating a random initial value generator, and determines the color space classifier information about the search operation is possible representative color area in the knowledge base Te, it is determined whether they contain color area where the improper color combinations randomly ratio value obtained from a random initial value, the random initial value correction which is adapted to correct an inappropriate random proportions it is possible to include a vessel 。 . 本発明では、実質上任意の目標物のものと同一の特徴を有する混合物を生成するために、まず混合物特徴抽出器によって任意の目標物の特徴を決定する。 In the present invention, to produce a mixture having the same characteristics as those of virtually any target, the first mixture feature extractor to determine the features of any target. 音や色の場合、この特徴としては、スペクトルのような物理的特徴が考えられる。 If sounds and colors, as this feature is conceivable physical characteristics such as spectral. GA プロセッサは次に、遺伝アルゴリズムに基づいて、2つ以上の要素を混合して作り出す一定仕様の混合物の混合比を予測する。 GA processor then based on the genetic algorithm, to predict the mixing ratio of the mixture of certain specifications to produce a mixture of two or more elements. 評価手段は、混合物特徴抽出器が決定する特徴を、GA計算器が予測する各比率で要素を混合することにより最終的に生成される混合物の特徴と比較し、またGAプロセッサが予測する比率の精度を評価する。 Evaluation means, features mixture feature extractor is determined, and compared with the features of the finally produced the mixture by mixing the components in each ratio GA calculator predicts, also ratios GA processor to predict to evaluate the accuracy. 比率予測器は、上述の混合物特徴抽出器と、GAプロセッサと、評価手段とによって構成される。 Ratio predictor is composed of a mixture feature extractor discussed above, the GA processor, by the evaluation means. ミキサは、各予測比率で要素を混合して混合物を供給する。 The mixer supplies the mixture by mixing the components in each prediction ratio. GAプロセッサは、初期値決定部分が決定する比率を各初期値として使用するため、 混合比予測の精度が遺伝アルゴリズムに基づいて継続的に向上し得る。 GA processor to use the ratio of the initial value determining portion determines as the initial value, the accuracy of the mixing ratio prediction can continually improve based on genetic algorithm. また、GAプロセッサが予測する比率の妥当性を評価するため、評価手段は、組込み式要素番号評価部分、不要要素番号評価部分、または混合物特徴評価部分が取得する評価結果を出力する。 Further, since the GA processor evaluates the validity of the ratio of predicting, evaluating means outputs an evaluation result embedded element number evaluation portion, unnecessary element number evaluation moiety or mixtures characterization part, is acquired. 要素番号評価部分は、混合物要素番号セレクタと、混合物要素予測器と、要素番号距離計算器とによって構成される。 Element number evaluation portion is composed of a mixture component number selector, and mixtures element predictor, by the element number distance calculator. 混合物要素番号セレクタはGAプロセッサが予測する比率に応答して作動し、予測された混合比をデジタル化する。 Mixtures element number selector operates in response to the ratio of predicted GA processor digitizes the predicted mixing ratios. 即ち、予測された比率が予定の限界値を下回る場合はこれをオフとし、限界値を上回る場合はオンとする。 In other words, if the predicted ratio falls below the limit value of the scheduled and off it, and turned on when exceeding the limit value. 混合物要素予測器は、混合物特徴抽出器が抽出する特徴を受信して目標物を形成する要素タイプを予測する。 Mixture component predictor receives features mixture feature extractor extracts predict the element type to form a target. 要素番号距離計算器は、混合物要素番号セレクタから取得し混合に使用する要素番号を混合物要素予測器が取得する要素番号と比較し、次いで両者間の類似性を出力する。 Element number range calculator, an element number that is used to retrieve a mixture from the mixture element number selector compared with mixture Element number predictor obtains, then outputs the similarity therebetween. 不要要素番号評価部分は、混合物要素番号セレクタと、知識ベースと、ペナルティ部分とによって構成される。 Unnecessary element number evaluation portion includes a mixture component number selector, a knowledge base, constituted by a penalty portion. 知識ベースは、冗長要素の除去に必要な知識を保有している。 Knowledge base, possesses knowledge required to remove the redundant elements. ペナルティ部分は、混合物要素番号セレクタから取得し混合に際して使用する要素番号を受信し、また知識ベースを参照して不要な要素の組合せが存在していれば適合性を低下させる。 Penalty portions mixture element number obtained from the selector receives the element number to be used when mixing, also the combination of unnecessary elements with reference lowers compatibility if present knowledge base. 混合物特徴評価部分は、混合物特徴予測器と混合物特徴距離計算器とによって構成される。 Mixture characterization part is constituted by a mixture characterized predictor and mixtures characteristic distance calculator. 混合物特徴予測器は、GAプロセッサが予測する比率を受信し、各予測比率で要素を混合して取得される混合物の特徴を予測する。 Mixture wherein the predictor receives the ratio of GA processor predicts predicts characteristics of the mixture obtained by mixing the components in each prediction ratio. 混合物特徴距離計算器は、混合物特徴抽出器が取得する特徴を混合物特徴予測器が取得する混合物の特徴と比較し、次いで双方の類似性を表示する出力を供給する。 Mixture wherein the distance calculator compares the features of the mixture the characteristics mixture feature extractor obtains a mixture wherein the predictor obtains, then supplies the output to display both similarities. 図面の簡単な説明本発明の目的、及び他の特徴は、添付の図面に関連して行った本発明の好適な実施の形態についての以下の説明により明らかとなるであろう。 BRIEF DESCRIPTION An object of the present invention in the drawings, and other features will become apparent from the following description of the preferred embodiments of the present invention taken in conjunction with the accompanying drawings. 各図面を通して、同様の部分は同様の参照番号で表示されている。 Throughout the drawings wherein like parts are indicated by like reference numbers. 図1は、本発明による比率予測装置を示すブロック図である。 Figure 1 is a block diagram showing the ratio prediction apparatus according to the present invention. 図2は、本発明の同装置内に使用されているGAプロセッサの出力を示すブロック図である。 Figure 2 is a block diagram showing an output of a GA processors used in the apparatus of the present invention. 図3は、本発明の実施に際して採用されている遺伝アルゴリズムを示すフローチャートである。 Figure 3 is a flowchart showing a genetic algorithm is employed in the practice of the present invention. 図4は、本発明による混合物生成方法を示すブロック図である。 Figure 4 is a block diagram showing a mixture generation method according to the invention. 図5は、本発明の装置に使用されている評価手段の詳細を示すブロック図である。 Figure 5 is a block diagram showing the details of the evaluation means used in the apparatus of the present invention. 図6は、本発明の装置に使用されている混合物要素予測器の詳細を示すブロック図である。 Figure 6 is a block diagram showing the details of mixture components predictor used in the apparatus of the present invention. 図7は、本発明の装置に使用されている混合物特徴予測器の詳細を示すブロック図である。 Figure 7 is a block diagram showing the details of a mixture, wherein the predictor being used in the apparatus of the present invention. 図8は、本発明の装置に使用されているGa計算器の詳細を示すブロック図である。 Figure 8 is a block diagram showing the details of Ga calculator used in the apparatus of the present invention. 図9は、a*-b*色空間及びa*-b*色空間のファジイ分類を示す説明図である。 Figure 9 is an explanatory diagram showing a fuzzy classification of a * -b * color space and a * -b * color space. 発明を実施するための優良モード本発明の好適な実施の形態の説明に際しては、本発明を着色剤の比率予測、即ち先述の先行技術の場合と同じく希望する色を生成するための着色剤の混合比の予測、に適用した場合について説明していく。 In the description of the preferred embodiments of the prime mode invention for carrying out the invention, the ratio predicted for colorant present invention, i.e., the coloring agent to produce a color which is also desired in the case of the foregoing prior art prediction of the mixing ratio, will be described for the case applied to. 図1には、本発明の好適な1実施の形態による比率予測システムの略ブロック図を示している。 Figure 1 shows a schematic block diagram of a ratio prediction system according to one preferred embodiment of the present invention. この比率予測システムは、混合物特徴抽出器1、評価ユニット2、 GA（遺伝アルゴリズム）プロセッサ3、によって構成されている。 This ratio prediction system, the mixture feature extractor 1, the evaluation unit 2, GA (Genetic Algorithm) processor 3 is constituted by. 目標塗料の色が仕様によって明示されているとして、混合物特徴抽出器1は、 目標色のスペクトルを分析して出力する。 As the color of the target coating is evidenced by the specification, a mixture feature extractor 1, and outputs the analyzed spectrum of the target color. スペクトルは周波数軸上に継続的に表出する物理的性質を表すものであるが、多くの場合、スペクトルはn個のフィルタバンクとn個の離散的フーリエ変換を使用したn個の値によって表示される。 Although spectrum is representative of the physical properties that continuously exposed on the frequency axis, in many cases, the spectra are indicated by n values using n pieces of the filter bank comprises n discrete Fourier transform It is. GA プロセッサ3は、遺伝アルゴリズム（GA）を使用し、m個の要素色素（mは1より大きい）を特定の混合比で混合して目標色を生成する方法を予測する。 GA processor 3 uses a genetic algorithm (GA), m pieces of element dye (m is greater than 1) predicts a method of generating a target color are mixed in a specific mixing ratio. 図2は、GAプロセッサ3が予測したm個の要素色素の混合比または比率の例を示している。 2, GA processor 3 shows an example of a mixing ratio or the ratio of m elements dye predicted. こうした混合比は、GA プロセッサ3から出力される。 Such mixing ratio is outputted from the GA processor 3. 上述の遺伝アルゴリズムは当業者にとって周知のものであり、例えばDEGoldberg著「探索、最適化、及び機械学習に於ける遺伝アルゴリズム」（アディソンーウェスリー、1989年）及びL． Genetic algorithm described above are well known to those skilled in the art, for example DEGoldberg al "search, optimization, and in genetic algorithms Machine Learning" (Addison over Wesley, 1989) and L. Davis編「遺伝アルゴリズムハンドブック」（ヴァン・ノストランド・ラインホールド、1990年）等に於いて論じられている。 Davis ed., "Genetic Algorithm Handbook" (Van Nostrand Reinhold, 1990) are discussed at the like. 評価ユニット2は、混合物特徴抽出器1から供給される目標色についての情報をGAプロセッサ3から供給される予測比率と比較し、予測された比率の精度、即ち目標色と予測比率によって表示される色との間の色の整合度を判定する。 Evaluation unit 2, information about the target color to be supplied from a mixture feature extractor 1 as compared to the predicted ratio supplied from GA processor 3 and displayed accuracy of the predicted ratio, i.e. the target color and the predicted ratio determining the color of the degree of matching between the colors. 然る後、評価ユニット2はこの整合度を明示した適合性（または評価値）を出力する。 Thereafter, the evaluation unit 2 outputs the compatibility that clearly the degree of matching (or evaluation value). G Aプロセッサ3は評価ユニット2からの出力値を利用し、遺伝アルゴリズムによって予測比率の精度を漸次向上させる。 G A processor 3 using an output value from the evaluation unit 2, gradually improve the accuracy of the prediction ratio by the genetic algorithm. 図2及び図3について説明すると、GAプロセッサ3は遺伝アルゴリズムに従って作動し、GAプロセッサ3が予測する比率ベクトルは図2が示すように遺伝アルゴリズムのn個の染色体として表されている。 Referring to FIGS. 2 and 3, GA processor 3 operates according to the genetic algorithm, the ratio vector GA processor 3 is predicted is represented as n-number of chromosomes of the genetic algorithm as shown in FIG. 2. 要素色素のタイプ数をmとすると、予測する比率ベクトルはm次ベクトルに相当する。 When the number of types element dye is m, the ratio vector prediction is equivalent to m-th order vector. 図2の比率ベクトル1の場合、これはm個の要素色素、即ち白、緑-1、緑-2、黄、赤といった色素が各々0.23、0.04 、0.31、0、0.11の比率で混合されていることを意味する。 If a ratio vector 1 in Fig. 2, which is m elements pigments, namely white, green -1, green -2, yellow dye such red respectively 0.23,0.04, are mixed in a ratio of 0.31,0,0.11 which means that you are. 遺伝アルゴリズムは図2が示すように複数の染色体を使用して探索を行うように設計されているため、GAプロセッサ3は対応的な複数の比率ベクトルを処理し、その予測精度を連続的に向上させる。 Genetic algorithms because they are designed to perform a search using multiple chromosomes as shown in FIG. 2, GA processor 3 processes the correspondingly plurality of ratios vectors, continuously improve the prediction accuracy make. 図3は、GAプロセッサ3が予測する比率の精度が増大していく仕組みについて示したフローチャートである。 Figure 3 is a flow chart showing how the accuracy of the ratio of GA processor 3 predicts is gradually increased. 図3のフローチャートは、遺伝アルゴリズムを基礎としている。 The flowchart of FIG. 3 is based on the genetic algorithm. 図が示す通り、GAプロセッサ3では、n個の染色体、即ち比率がまず初期化される。 As the figure shows, the GA processor 3, n pieces of chromosomes, i.e. the ratio is first initialized. 最も簡単な従来の初期化方法は、それをランダム値で初期化するものである。 The simplest conventional initialization process is to initialize a random value it. しかしながら本発明の別の実施の形態では、後に説明するように、初期化方法の設計が独自的である。 In another embodiment of the present invention, however, as will be described later, the design of the initialization process is unique manner. こうして初期化された比率は、評価ユニット2へ供給される。 Thus initialized ratio is supplied to the evaluation unit 2. 無論、初回サイクルで行なう比率の予測精度は高くはない。 Of course, the prediction accuracy of the ratio is performed in the first cycle is not high. 従って、評価ユニット2 はn個の比率ベクトルとの高適合性を付与することができない。 Therefore, the evaluation unit 2 is not able to impart high compatibility with the n ratio vectors. m個の適合性（評価値）は再度GAプロセッサ3へと返され、GAプロセッサ3は次に、こうして返されたm個の適合性に従って高適合性を与えられた複数の予測比率ベクトルを選択する。 the m conformity (evaluation value) is returned to the GA processor 3 again, GA processor 3 then selects a plurality of predicted ratio vectors given a high compatibility Thus according the m conformity returned to. GAプロセッサ3によって選択される比率ベクトルは、次世代の子比率ベクトルを生成する親に相当する。 Ratio vector selected by GA processor 3 corresponds to the parent to generate a child ratio vector of the next generation. 遺伝アルゴリズムでは、この工程は選択と称される。 The genetic algorithm, this step is referred to as selective. 次の段階は、選択された親比率ベクトルから任意に選ばれた2つの予測比率ベクトルを交配し、この交配によって次世代の予測比率ベクトルを提供するものである。 The next step is to crossed the two prediction ratio vectors selected arbitrarily from the parent ratios vector selected to provide a prediction ratio vector of the next generation by this cross. この工程は、2つのm次比率ベクトルを結合して2つの異なるm次比率ベクトルを生成する交配作業によって実行される。 This step is performed by crossing the work of generating two different m-th ratio vector by combining the two m-th ratio vector. 次に例として、最も簡単な一点交配について説明する。 Next will be described as an example the simplest one point crossing. 2つのm次比率ベクトルが、染色体a及びbで表されているとしよう。 Two m-th ratio vector, suppose are represented by chromosome a and b. 一点交配は、染色体aの前半のr次要素から、及び染色体bの後半の(mr)次要素から第1の子比率ベクトルを生成し、染色体bの前半のr次要素から、及び染色体aの後半の(m- r)次要素から第2の子比率ベクトルを生成する計算法である（但し、0<r<m）。 One point crosses from r following elements of the first half of chromosome a, and the second half of the chromosomes b (mr) to generate a first child ratio vector of the following elements, from r following elements of the first half of chromosomes b, and chromosomal a a second half of the (m-r) calculation method for generating a second child ratio vector of the following elements (where, 0 <r <m). 子が最初からr次と(r+1)次との境界で要素を交換して生成されることから、この交配は一点交配と呼ばれる。 Since the child is initially r following the (r + 1) is generated by exchanging elements at the boundary with the next, this cross is called a point crossing. この交配を繰り返すことにより、第2世代のn個の比率ベクトルが生成される。 By repeating this cross, n-number of ratios vectors of second generation is generated. 遺伝アルゴリズムの最後に実行される計算は変異と呼ばれ、任意に選択された染色体の任意に選択された要素の比率を明示した値にランダム値が加算される。 The calculations performed at the end of the genetic algorithm are called mutations, random values are added optionally to the value that clearly the proportion of selected elements of the chromosomes that are arbitrarily selected. 探索に関して言えば、この変異は比率の極小への低下を防止するための一般的探索に相当する。 As for the search, this mutation corresponds to the general search for preventing a decrease in the ratio of minimum. 先の選択、交配、変異の工程から得るn個の染色体は、第2世代の比率ベクトルを表している。 Previous selection, breeding, n pieces of chromosomes obtained from mutations of step represents the ratio vector of the second generation. 第2世代のこの比率ベクトルは、再度評価ユニット2へと返され、図3の工程フローが繰り返される。 This ratio vector of the second generation is returned to the evaluation unit 2 again, the process flow of FIG. 3 are repeated. 図3が示す工程フローは、予測1比率の予測精度が必要な精度まで達した時点で終了する。 Process flow shown in FIG. 3, ends when the prediction accuracy of the prediction 1 ratio reaches required precision. GAプロセッサ3の様々な構成部品の有する機能については、後に説明する。 The functions of the various components of the GA processor 3 will be described later. 次に、図4について説明する。 It will now be described FIG. これは、本発明の好適な1実施の形態による混合物生成方法を示したものである。 This shows the mixture generating method according to one preferred embodiment of the present invention. 図4の参照数字4は比率予測器を、参照数字5はミキサを表している。 Reference numeral 4 in FIG. 4 is the ratio predictor, reference numeral 5 denotes a mixer. 比率予測器4は、全て図1に示され図1に関連して説明されている混合物特徴抽出器1、評価ユニット2、及びGAプロセッサ3によって構成されており、図1が示す比率予測システムと同一の機能を有している。 Ratio predictor 4, mixtures feature extractor 1 as described in connection with the illustrated Figure 1 in all Figure 1, is constituted by the evaluation unit 2, and GA processor 3, the ratio prediction system shown in FIG. 1 It has the same function. ミキサ5は、 m個の要素色素を比率予測4が決定する比率で混合する。 The mixer 5 is mixed in a ratio which determines the ratio predict 4 m elements dye. 種々の構成要素の機能については、後に詳述する。 The functions of the various components will be described in detail later. 図5は、本発明の実施に際して使用している評価ユニット2の1実施の形態を示したものである。 Figure 5 illustrates one embodiment of the evaluation unit 2 are used in the practice of this invention. 評価ユニット2は、混合物要素評価ユニット6、混合物特徴評価ユニット7、及び適合性積分器8を含んでいる。 Evaluation unit 2 includes a mixture component evaluation unit 6, a mixture wherein the evaluation unit 7 and conformity integrator 8,. ここに示されている混合物特徴評価ユニット7は、2つの視点からの評価を行なう。 Mixture wherein the evaluation unit 7 shown here, the evaluation from two perspectives. 混合物要素評価ユニット6は、 要素番号評価部分61と要素番号不要評価部分63を含んでいる。 Mixture component evaluation unit 6 includes an element number evaluation portion 61 and the element number required evaluation portion 63. 混合物要素評価ユニット6は、どの要素色素を混合すべきかについて評価する。 Mixture component evaluation unit 6 evaluates whether to be mixed which element dye. 言い換えれば、この混合物要素評価ユニット6は、GAプロセッサ3が予測する比率を、要素色素を混合すべきであるか混合すべきでないかについて明示するバイナリ情報（オンまたはオフ）に変換し、それを目標色の物理的特徴と比較する働きをする。 In other words, the mixture element evaluation unit 6 converts the ratio of GA processor 3 predicts, in demonstrating the binary information about whether should not be mixed or should mixing element dye (on or off), it which serves to compare the physical characteristics of the target color. 本発明の好適な1実施の形態では、要素番号評価部分61と要素番号不要評価部分63とを含む回路構造が特定の評価を実行する。 In one preferred embodiment of the present invention, the circuit structure including the element number evaluation portion 61 and the element number required evaluation part 63 performs a specific evaluation. 一方、混合物特徴評価ユニット7は、GAプロセッサ3予測する比率値を評価する。 On the other hand, a mixture wherein the evaluation unit 7 evaluates the percentage to GA processor 3 prediction. 適合性積分器8は、複数の適合性の各々に重みを掛け、次いでそれらを合計して、そこから1つの適合性を評価ユニット2からの出力として出力させるように機能する。 Compatible integrator 8 multiplies a weight to each of a plurality of compatible, then summing them, functions to output one compatible therefrom as the output from the evaluation unit 2. 最も簡単な計量方法は、均等な重みを掛けるものである。 The simplest weighing method is to apply a uniform weight. 図5の要素番号評価部分61は、混合物要素番号セレクタ620、混合物要素予測器611、及び要素番号距離計算器612を含んでいる。 Element number evaluation part 61 in FIG. 5, the mixture element number selector 620, and contain a mixture elements predictor 611 and element number range calculator 612,. このような構造である要素番号評価部分61の機能は、次のようなものである。 Function of element number evaluation portion 61 is such a structure is as follows. 混合物要素番号セレクタ620は、 図2が示すような、GAプロセッサ3が予測した比率を受信し、それを、比率が限界値を下回る要素色素は混合されないことを示すオフ情報、及びその他の比率の要素色素が全て混合されることを示すオン情報から成る2進数字の1つに変換する。 Mixtures element number selector 620, as shown in FIG. 2, receives the rate at which GA processor 3 predicts, it the ratio is OFF information indicating that it is not mixed elements dye below the limit values, and other ratios elements dye is converted into one of the binary digits consisting on information indicating that it is all mixed. 上述の限界値は、要素色素を混合した場合の違いを人が知覚可能であるかに関する視覚的認識性、及びGA プロセッサ3の予測精度を考慮して決定される。 Limit described above, the difference in the case of mixing elements dye person is determined in consideration of the prediction accuracy of visual recognizability, and GA processor 3 to whether it is perceptible. これに対し、混合物要素予測器6 11は、混合物特徴抽出器1から取得する色スペクトルを使用してどの要素色素を混合するかを直接予測する。 In contrast, mixtures element predictor 6 11 predicts whether mixing which elements dye using the color spectrum to obtain a mixture feature extractor 1 directly. 図6は、混合物要素予測器611が神経ネットワークによって実行される一例を示したものである。 Figure 6 is a mixture elements predictor 611 illustrating an example executed by the neural network. 図6では、参照数字6111が特徴要素番号変換器を、参照数字611 2が限界値プロセッサを表している。 In Figure 6, reference numeral 6111 is a characteristic element number converter, reference numeral 611 2 represents the limit processor. 特徴要素番号変換器6111は、3層の正方向送りから成る神経ネットワークの形をしており、また、混合物特徴抽出器1が取得するn次の色スペクトルを受信してm次の要素色素の混合を意味するオン出力、またはm次の要素色素の非混合を意味するオフ出力の何れかを出力するように適応化されている。 Wherein element number converter 6111 is in the form of a neural network of the feed forward of the three layers, Mixtures feature extractor 1 receives the n-th color spectrum to be acquired in the m-th order component dye mixing is adapted to output either an off output, which means non-mixing of the oN output, or the m-th order component dye means. 特徴要素番号変換器6111の神経ネットワークは、既製のトレーニングデータセットから知識を獲得する。 Neural network feature element number converter 6111 obtains the knowledge from the ready-made training data set. 要素色素は予め混合されて見本色の塗料を供給し、次いでこれが比色測定を受けて合成色の色スペクトルが決定される。 Element dye supplies swatch color paint is mixed in advance, then this is the color spectrum of the composite color receiving colorimetric measurement is determined. こうした場合は、混合された要素色素が周知であるため、色スペクトルとm次のオンまたはオフ情報との間の正確な関係を取得することができる。 In such a case, since elements mixed dyes are well known, it is possible to get an accurate relationship between the color spectrum and the m-th order on or off information. この情報は、 神経ネットワークに知識を得させる際の教示信号として使用される。 This information is used as a teaching signal when causing gain knowledge in neural network. 神経ネットワークについては今までに様々な学習アルゴリズムが提案されており、仮に、例えば最も多く採用されている逆繁殖学習規則を採用するとすれば、特徴要素番号変換器6111は容易に実行が可能である。 The neural network has been proposed various learning algorithms ever, if, if adopting the reverse propagation learning rule is employed for example most, wherein element number converter 6111 can easily be performed . しかしながら、実施に際しては、神経ネットワークに2進数字（0または1）の何れかの出力が教示されたとしても、神経ネットワークの出力層はS字状関数のような連続関数を利用するため、これが出力するのは完全な0または1ではなく、0.001または0.998である。 However, in the embodiment, since even one of the outputs of the binary digits in the neural network (0 or 1) is taught, the output layer of the neural network which utilizes a continuous function such as S-shaped function, which is complete 0 or not 1 for output is 0.001 or 0.998. 限界値プロセッサ6112は、こうした値をデジタル化する。 Limit processor 6112 digitizes these values. 限界値プロセッサ6112は、特徴要素番号変換器6111を内部に設定された既定限界値と比較し、神経ネットワークの出力を強制的にオン信号及びオフ信号の何れかに変換する。 Limit processor 6112, and compared to a predetermined limit value set characteristic element number converter 6111 therein, to convert the output of the neural network to either force the ON signal and the OFF signal. 例えば、値が0.5より大きければオン信号が、また0.5より小さければオフ信号が各々限界値プロセッサ6112から出力される。 For example, the value if ON signal is greater than 0.5, if smaller off signal than 0.5 also is outputted respectively from the limit value processor 6112. 要素番号距離計算器612は、混合物要素予測器611から取得する目標塗料の色スペクトルに照らした場合にどの要素色素を混合するかに関する情報と、混合物要素番号セレクタ620から取得する予測比率に照らした場合にどの要素色素を混合するかに関する情報とを比較し、こうした情報間の相違の度合いを明示した出力を供給する働きをする。 Element number distance calculator 612, and information on how to mix which elements dye when light of the color spectrum of the target coating to obtain a mixture elements predictor 611, in light of the predicted ratio obtained from the mixture element number selector 620 which element dye compares the information on how to mix the case and serves to supply an output that clearly the degree of difference between this information. 要素番号距離計算器612は、2つのm次バイナリベクトル距離を決定する。 Element number distance calculator 612, determines the two m-th binary vector distance. これを達成するための最も簡単な方法は、ビット数の差を計算するものである。 The easiest way to achieve this is to calculate the difference in the number of bits. この距離は、次いで適合性積分器8に供給される。 This distance is then supplied to the compatibility integrator 8. 混合物要素評価ユニット6の他の特定例が、要素番号不要評価部分63である。 Other specific examples of mixture components evaluation unit 6, an element number required evaluation portion 63. 図5の要素番号不要評価部分63は、混合物要素番号セレクタ620、知識ベース631 、及びペナルティ計算器632を含んでいる。 Element number required evaluation part 63 in FIG. 5, the mixture element number selector 620 includes a knowledge base 631 and penalties calculator 632,. 上述の構造をした要素番号不要評価部分63の機能は、以下の通りである。 Function of element number unnecessary evaluation part 63 in which the structure described above is as follows. ペナルティ計算器632は、混合物要素番号セレクタ620からどの要素色素を混合するかに関する情報を受信するように適応化されており、知識ベース631にアクセスして混合物要素番号セレクタ620から入力される要素色素の組合せが受容不可能、または不自然であるかどうかを判定する。 Penalty calculator 632, the mixture being adapted to receive information from the element number selector 620 on how to mix which elements dye, element dyes inputted from the mixture element number selector 620 to access the knowledge base 631 combinations determines whether unacceptable, or is unnatural. 知識ベース631は、例えば以下のような色の組合せに関する知識を内蔵している。 Knowledge base 631 has a built-in knowledge of the color combinations, such as follows. 規則1：補色関係にある色素、例えば赤と緑、の使用を避ける。 Rule 1: Avoid dye, for example, red and green, the use of which is in a complementary relationship. 規則2：同色色素、例えば緑-1と緑-2、の使用を避ける。 Rule 2: Avoid the same color dye, for example green -1 and green -2 use of. 規則3：ほぼ100%の比率を維持する。 Rule 3: to maintain substantially 100% ratio. ペナルティ計算器632は、予測比率がこうした規則をどの程度遵守しているかによって評価値を生成する。 Penalty calculator 632, the prediction ratio to generate an evaluation value by how well comply with these rules. 評価ユニット2に於いて3番目に重要な評価を実行する部分が、混合物特徴評価ユニット7である。 Third to portions for performing the important evaluation In evaluation unit 2 is a mixture wherein the evaluation unit 7. 図のように、この混合物特徴評価ユニット7は、予測された色に関して知覚される属性、例えばCIE1976の(x,y)色度図に於けるL*-a*-b値の座標、をGAプロセッサ3が予測する比率に基づいて解釈する特徴距離予測器72を含んでいる。 As shown, the mixture wherein the evaluation unit 7, attribute perceived with respect to the predicted color, for example CIE1976 of (x, y) in the chromaticity diagram L * -a * -b value of the coordinates, the GA comprises the features distance predictor 72 processor 3 is interpreted based on the ratio to predict. ここで、L*、a*、及びb*は各々、明度、色相、及び彩度を表している。 Here, L *, a *, and b * each represent brightness, hue, and saturation. 混合物特徴距離計算器71は、混合物特徴抽出器1からL*-a*-b*の目標座標を受信し、L*-a*-b* 空間に於ける2つのm次比率ベクトル間の色間隔（ユークリッド距離）を計算する。 Mixture wherein the distance calculator 71, the mixture receives the L * -a * -b * target coordinates from the feature extractor 1, L * -a * -b * color between the two m-th ratio vector in the space calculating a distance (Euclidean distance). L*、-a*、及び-b*の各値は、表面スペクトル反射率から算出される。比率をL*-a*-b*に写像する場合、高精度を達成するのは困難である。図7は、 神経ネットワークの学習機能によって写像を習得する方法を示している。このためのトレーニングデータは、図6が示す神経ネットワークのためのトレーニングデータに類似した方法で取得可能である。要素色素は事前に混合されて見本塗料が供給され、次にこれを比色測定して合成色の色スペクトルが決定される。色スペクトルが分析されていると色空間座標の変換が容易であるため、要素色素の比率と色空間座標との関係を事前に得ることが可能であり、これが混合物特徴予測器72の神経ネットワーク用の訓練データとして使用される。 GAプロセッサ3が予測する比率に従って要素色素を混合してできる塗料の色、及び目標塗料の色が色空間に於ける距離に変換され、次いでこれが適合性インテグレータ8に供給される。こうした方法で、評価ユニット2はGAプロセッサ3が予測する比率の精度を評価する。この評価はGAプロセッサ3にフィードバックされる。前記説明に於いては、評価ユニット2は評価を行うための3つの構成要素、即ち要素番号評価部分61、 要素番号不要評価部分63、及び混合物特徴評価部分7を有しているが、評価ユニット2が評価を行うにはその内の1つを使用するだけで十分である。しかしながら、評価ユニット2で3つの構成要素を使用すると、高い精度が期待できるという点で優位である。但し、こうした構成要素の組合せ使用が必ずしも必要なわけではない（下の表参照）。要素色素を混合して塗料を生成する場合、実際に混ぜ合わせるまでどのような色になるるかは誰にも判らない。しかしながら偶発的に行う要素色素の混合によって目標塗料の色に整合する色の合成塗料を生成するにはかなりの時間が必要であり、またコスト的な問題をも伴ってくる。評価ユニット2が行う3つの評価方法は、この問題に解答を提示し、また特に要素色素を混合してできる色を予測することによって、コンピュータシュミレーションによる目標塗料との色の整合が安定して得られる。図8は、本発明の好適な1実施の形態によるGAプロセッサ3の構造を示している。図8のGAプロセッサ3は、初期値決定ユニット31及びダイナミックGA決定ユニット32を含んでいる。 GAプロセッサ3は、遺伝アルゴリズムに従った以下のような方法によって機能する。遺伝アルゴリズムは当技術関連で幅広く採用されているものであり、遺伝アルゴリズムに関連した「個体群サイズ」、「染色体」、「遺伝子」等の用語は、当業者には十分に理解されるものと判断して本文では明確な定義付けを行わずに使用している。図には、GAプロセッサ3から出力される染色体が示されている。染色体内で結合しているm個の要素色素の比率、即ち混合比は各々m個の遺伝子に対応している。遺伝アルゴリズムではこうした染色体がn個準備される。 nは個体群サイズを表している。 n個の染色体の各々の遺伝子は最初に初期値決定ユニット31によって初期化され、GAプロセッサ3に初期出力を出力させる。初期値決定ユニット31は最初に一度作動するだけである。評価ユニット2によって評価された染色体値は、GAプロセッサ3に戻される。ダイナミックGA決定ユニット32は、適合性に基づいて遺伝アルゴリズムによる遺伝子操作（選択、 交配、及び突然変異）を行い、次世代の染色体をn個製造する。こうして製造された染色体（即ち、予測された比率）がGAプロセッサ3から出力される。ダイナミックGA決定ユニット32は、この手順を繰り返し行う。このように、ダイナミックGA決定ユニット32は、GAプロセッサ3に於ける重要な役割を果たしている。しかしながら、GAプロセッサ3が同一の遺伝子アルゴリズムに従って機能しているとしても、GAプロセッサ3が行う比率予測の性能は、初期値決定ユニット31 が決定する初期値に依存する。以下、初期値決定ユニット31の構造と機能について論じる。図8に関して説明すると、初期値決定ユニット31は、カウンタ311制御ユニット312、初期比率決定器313、マルチエリート生成器314、ランダム初期値生成器315、色空間特徴抽出器316、色空間分類器317、及びランダム初期値修正器318を含んでいる。前記構造の初期値決定ユニット31は、遺伝アルゴリズムに於いて行われたような従前の3つの方法を使用して効果的な初期化を行う。最初の初期化は、目標塗料の色スペクトルに関する情報を混合物特徴抽出器1 から受信し、要素色素の比率、即ち混合比を送信するように適応化された初期比率決定器313に於いて行われる。初期比率決定器313はそれ自体、比率予測装置と称されるべきものであり、神経ネットワークによる実行が可能である。このような神経ネットワークは先行技術に関連して先に論述したビショップ外の論文に於いて報告されており、また図6或いは図7が示す神経ネットワークに類似した方法で実行可能である。後述の実験データが示す通り、初期比率決定器313は単独では完全な予測は供給しない。しかしながら、初期比率値決定ユニット313からの出力は、標準遺伝アルゴリズムの実施中に初期化に使用されるランダム値と比較すると、比率予測装置が最終的に予測する比率に近似していると考えることができる。従って、初期比率決定器313から得る予測比率を本発明の比率予測システムに於いて初期値として使用すれば、予測性能を高めることができる。第2の初期化は、初期比率決定器313、知識ベース631及びマルチエリート生成器314に於いて行われる。初期比率決定器313を使用すれば良質の単一初期値を得ることができる。但し、初期比率決定器313は補色と同色の関係性を考慮せず、 またどの要素色素をどういう方法で混合するかに関する予測比率の記述が、不必要で無用な要素色素の組合せを含んでいる場合が多い。マルチエリート生成器31 4は、初期比率決定器313から予測比率を受信するように適応化されており、また知識ベース631に記述されている色の組合せに関する知識にアクセスすることによって、初期比率生成器313からの出力とは異なる良質の予測比率を出力する。このため、予測比率が不必要且つ無用な要素色素の組合せを含んでいる場合には、要素色素の比率をゼロにすることが可能である（即ち、こうした要素色素は互いに混合させるべきではない）。マルチエリート生成器314は、遺伝学的探索のためのより良い開始点の提供に寄与している。第3の初期化は、ランダム初期値生成器315、色空間特徴抽出器316、色空間分類器317、ランダム初期値修正器318、及び知識ベース631に於いて実行される。ランダム初期値生成器315は、標準遺伝アルゴリズムの初期化に使用されるランダム初期値生成器と同様の方法で比率をランダムに出力する。色空間特徴抽出器316は、計算により目標色のスペクトルからL*-a*-b空間のような色空間の座標を決定する。色空間分類器317は、色空間を代表色区域に分割、或いは分類し、また、色空間特徴抽出器316から得た色空間座標がこうした分類器317によって分割されたどの代表色域にどの程度属するかを明示した出力を供給する。図9は、2次元のa*-b*空間が色相角tan -1 （b*/a*）に投影されており、色相角が5つの代表色域、即ち赤（R）、黄（Y）、緑（G）、青（B）及び紫（V）の色域にファジー的に分類されている例を示している。図9の三角形は、赤色（R）至る紫色（V）の色相角に対応するそれぞれの帰属程度を限定している。色は連続して変化し、帰属程度は色相角の変化によって、ある代表色域から次の色域に漸次移行する。図9はまた、色空間特徴抽出器316から1つの色空間座標（a* i ,b* i ）を得たときに色空間分類器317から生成される出力を示している。色空間分類器317が供給する出力は、この座標の色相角tan-1（b* i /a* i ）の場合、0.75及び0.25はそれぞれ赤及び黄の色域に属し、他の色域には属していないことを指示している。ランダム初期値修正器318は、この帰属程度、及びランダム初期値生成器315から要素色素の比率のランダム初期値を受信する。次いで、ランダム初期値修正器318は、色空間分類器317から得る代表色に対する帰属程度、及び知識ベース631から得る色の組合せに関する知識を参照してランダムに生成された比率を修正する。例えば、 赤が支配的ではあるがある程度黄域に移行している色がある場合、ランダム初期値修正器318は、赤色と緑色が補色関係にあるため、強制的に緑色の比率をゼロとし、また赤-1或いは赤-2の比率の何れかをゼロ値にする。前述の3つの初期化は、カウンタ311及び制御ユニット312によって制御される。カウンタ311はゼロに初期化されている。制御ユニット312は、カウンタ312のカウントがゼロである場合にのみ作動する。つまり、個体群は初期比率決定器313、マルチエリート生成器314、及びランダム初期値修正器318によって初期化される。ランダム初期値生成器315は何れの数値も初期化できるため、幾つかの数値は最初に初期比率決定器313によって初期化され、次いでマルチエリート生成器314が知識ベース631の幾つかの法則に従って初期比率決定器313からの出力を修正する。その他の数値はランダム初期値修正器318によって初期化される。当然のこととして、本発明の比率予測システム及び混合物生成方法は、標準遺伝アルゴリズムのようにランダム初期値生成器315からの出力のみを使用して直接的初期化を行う場合であっても十分に作動するが、ランダム初期値修正器318が生成する複合エリートによってその性能の強化が期待できる。上述の方法で形成された初期個体群は、ダイナミックGA決定ユニット32に供給される。 GAプロセッサ3からの出力が評価ユニット2に戻り、評価ユニット2に評価された値がGAプロセッサ3にフィードバックされると、カウンタ311のカウントが1増加する。カウンタ311のカウントはもはや0でないため、初期値決定ユニット31の初期化は開始時に1回だけ行われる。先の説明では、初期値決定ユニット31は3つの初期化方法を実行するように構成されていると記述しているが、その各方法は先行技術の遺伝アルゴリズムに於いて実行されるようなランダム値による初期化と比較しても単独で良好な値を発生させ得るものであることに注意する必要がある。従って、3つの初期化方法が同時に実現されない場合であっても、予測性能及び製造性能は、先行技術による比率予測システム及び混合物製造方法と比較して遙かにに高いことが予想される。また、本発明の実施の形態が使用する色空間分類器317は、色空間をファジー的に区分できるものとして示されているが、良質の初期値が分割された各色域に関する知識を使用して決定される点に重要性があることから、明快な分割が行われるとしても同様の効果を得ることが可能である。本発明の効果、及び評価ユニット2の3つの構成要素、61、63及び7の有効性を量的に示すため、以下の（a）から（e）の5つの装置を比較実験した。 （a）1神経ネットワーク様式の初期比率決定器313。 （先に先行技術に関連して論じた神経ネットワークを使用して比率予測を実行可能な比率予測装置） （b）評価ユニット2が混合物特徴評価ユニット7のみを含む比率予測装置。 （c）評価ユニット2が混合物特徴評価ユニット7及び要素番号不要評価部分63を含む比率予測装置。 （d）評価ユニット2が混合物特徴評価ユニット7及び要素番号評価部分61を含む比率予測装置。 （e）評価ユニット2が3つの構成要素である混合物特徴評価ユニット7、要素番号不要評価部分63及び要素番号評価部分61を全て含む比率予測装置。実験中は、既知の調合物である目標塗料に関する302のデータから無作為に選択した92のデータを試験データとして使用し、（a）から（e）の各装置を使用して要素色素の比率を予測した。下の表は比率の予測エラーを示している。
このように、本発明は評価ユニット2が3つの構成要素を有している場合に明らかに卓越した効果をもたらす。 Thus, the present invention results in a clearly superior effect when the evaluation unit 2 has three components. 先の説明では、本発明を要素色素の混合による目標塗料の色と概ね適合する塗料の製造に適用した場合について記述しているが、本発明はこうした物理的混合物の製造に限定されるべきものではなく、色、光、音といった波長の混合にも等しく適用することができる。 Those in the foregoing description, although described for the case where the present invention is applied to substantially the production of compatible paint the color of the target coating by mixing elements dyes, the present invention is to be limited to the manufacture of such a physical mixture rather, color, light, it can be equally applicable also to a mixed wavelength such sounds. また、開示された実施の形態は物理的混合物を指向しているが、本発明は人間が知覚可能なあらゆる物体の混合物にも適用が可能である。 Further, the disclosed embodiments are directed to a physical mixture, present invention humans is applicable to mixtures of any perceptible object. 例えば、カラープリンタのように視覚認識が可能な混合物に基づく色の調合の場合、本発明の比率予測装置は空間的に分布する色要素の表面領域の比率を予測可能である。 For example, if the color formulation of which is based on the possible mixtures visually recognized as a color printer, the ratio predicting apparatus of the present invention can predict the ratio of the surface area of the color elements distributed spatially. また、カラーディスプレイのように視覚認識が可能な混合物に基づく色の調合の場合、本発明の比率予測装置は空間的に分布する色要素の光密度に関する混合比率を予測可能である。 Also, in the case of the color formulation of based on a mixture that can be visually recognized as a color display, the ratio predicting apparatus of the present invention can predict the mixing ratio to an optical density of color elements distributed spatially. 同様に、本発明の混合物製造方法には多くの用途が存在する。 Similarly, the mixture production method of the present invention has many applications exist. 産業用途 上述のように、本発明によれば、実際に要素を混合することなく既定仕様の目標物を製造するための要素の混合比率を高精度で予測することができる。 Industrial applications As described above, according to the present invention, it is possible to predict the mixing ratio of the components for producing the target of the default specifications without mixing actually element with high accuracy. 結果的に、既定仕様の目標物に実質的に適合する混合物を容易に生成することができる。 Consequently, it is possible to easily produce a substantially compatible mixture to a target of predetermined specifications. これによって、予測と製造に必要な時間及びその関連コストが低減するといった優位点がもたらされる。 Thus, it expected time and associated costs thereof required for manufacturing leads to advantages such reduction. このように本発明は数多くの産業用途を有している。 Thus the present invention has numerous industrial applications. ───────────────────────────────────────────────────── フロントページの続き (72)発明者 水谷 英二 大阪府大阪狭山市西山台２丁目９番12号(72)発明者 オースランダー，デイビッド・エム アメリカ合衆国94707カリフォルニア州 バークレイ、ケンタッキー・アベニュー 411番 ────────────────────────────────────────────────── ─── of the front page continued (72) inventor Mizutani, Eiji Osaka, Osaka Sayama Nishiyamadai 2-chome No. 9 No. 12 (72) inventor Orth Lander, David M. United States 94707 Berkeley, California, Kentucky Avenue 411 No.
