JPH10513290A

JPH10513290A - Ratio prediction system and mixture generation method

Info

Publication number: JPH10513290A
Application number: JP8523482A
Authority: JP
Inventors: 英行高木; 英二水谷; オースランダー，デイビッド・エム
Original assignee: Kansai Paint Co Ltd; Matsushita Electric Industrial Co Ltd; University of California
Current assignee: Kansai Paint Co Ltd; Panasonic Holdings Corp; University of California
Priority date: 1995-01-31
Filing date: 1995-01-31
Publication date: 1998-12-15
Also published as: WO1996024033A1; MX9705596A

Abstract

(57)【要約】既定数の要素を既定比率で混合することによって、既定の目標物を実現するための比率予測システム。本システムは、既定目標物の特徴を抽出するための目標物特徴抽出器と、既定目標物の特徴及び各要素の量を各々表す比率ベクトルの受信によって機能し、抽出された既定目標物の特徴に基づいて比率ベクトルの適合性を決定する評価手段と、各要素の量及び各比率ベクトルが各々遺伝子と染色体で表される遺伝アルゴリズムにより適合性を基礎として比率ベクトルを予測するGAプロセッサと、を含んでいる。GAプロセッサが予測した比率ベクトルは評価手段に入力され、評価手段は比率ベクトルの評価を繰り返して最適な比率ベクトルを決定する。 (57) [Summary] A ratio prediction system for realizing a predetermined target by mixing a predetermined number of elements at a predetermined ratio. The system functions by receiving a target feature extractor for extracting the features of the predetermined target, and receiving a ratio vector representing the feature of the predetermined target and the quantity of each element, and extracting the features of the extracted predetermined target. Evaluation means for determining the suitability of the ratio vector based on the, GA processor for predicting the ratio vector based on the suitability by genetic algorithm in which the amount of each element and each ratio vector is represented by a gene and a chromosome, Contains. The ratio vector predicted by the GA processor is input to the evaluation means, and the evaluation means determines the optimum ratio vector by repeating the evaluation of the ratio vector.

Description

【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。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。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。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。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。この他に、先行技術として、例えばジー．ウェゼツキー（G．Wyszecki）及びダブリュ．エス．スタイルス（W.S．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。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。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(J.M.Bishop)、エム.ジェー.ブシュネル(M.J.Bushnell) 及びエス．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。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。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。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。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。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。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。上述のモデルに替わるモデルの形成は、実に困難である。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。 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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。こうした混合比は、GA プロセッサ3から出力される。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D.E.Goldberg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．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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。遺伝アルゴリズムでは、この工程は選択と称される。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。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。次に例として、最も簡単な一点交配について説明する。 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。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(m-r)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）。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。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。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。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。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。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。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。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。次に、図4について説明する。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。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。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。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。種々の構成要素の機能については、後に詳述する。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。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。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。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。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。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。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。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。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。最も簡単な計量方法は、均等な重みを掛けるものである。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。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。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。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。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。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。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。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。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。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。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。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。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。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。限界値プロセッサ6112は、こうした値をデジタル化する。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。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。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。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。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。この距離は、次いで適合性積分器8に供給される。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。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。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。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。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。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。規則2：同色色素、例えば緑-1と緑-2、の使用を避ける。規則3：ほぼ100%の比率を維持する。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。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。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。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。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。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。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。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。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。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。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。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。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。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。このように本発明は数多くの産業用途を有している。DETAILED DESCRIPTION OF THE INVENTION Ratio prediction system and mixture production method Technical scope The present invention relates to a ratio prediction system for predicting a ratio or a mixture ratio when a plurality of materials, colors, lights, acoustic signals, electric signals, electromagnetic waves, or the like are mixed to generate a desired target. And a mixture generation method for generating a desired target using the ratio predicted by the ratio prediction system. Technical background In discussing the prior art, reference is made, for example, to the field of color formulation prediction for mixing multiple dyes to produce a specific specification color. In the following description, the original dyes that are mixed to produce a specific color are referred to as elements. The simplest method for this according to the prior art is for the skilled person to look at the target color and empirically determine the ratio or mixture of the elements. Other prior art techniques are used to analyze the spectrum of the target color, search the database to find a color that matches the color of the spectrum closest to the spectrum analyzed earlier, and use it to generate the previous color. Elaborately adjusting the element ratio with reference to the ratio of the element dyes present. In addition, as prior art, for example, G. G. Wyszecki and AW. S. Styles (WS. Stiles) discloses one method in his book, Color Science: Concepts and Methods, Quantitative Data and Formulas, New York City, Wiley, Second Edition (1982). This method determines the ratio from the color spectrum using a model that mathematically simulates the relationship between the ratio color spectrum and the image as represented by Kubelka-Munk theory. I have. More recent prior art includes, for example, JMBishop, MJ Bushnell and S.J. Input of color spectra in Westland (S. Westland), "Application of neural networks to computer-based formulation prediction" (Color Research and Applications, Vol. 16, No. 1, pp. 3-9 (1991)) A method is disclosed in which the output of a ratio is taught to a neural network in response to In any case, in the prior art, the element colors are mixed according to the ratio obtained by such a method to generate a target color. Although the preceding discussion has focused on color blending, similar discussions apply equally to perfume, food production, sound effect design, material development or the like. A common feature of all prior art methods is that a color, light, or material that satisfies any specification is generated based on human perception, experience, and trial and error performed using an experimental database. It is a point that is done. It will be readily appreciated that it is difficult to achieve a high degree of sophistication in such a manner. In Kubelka-Munk theory, which is commonly used in the field of color mixing, mathematical simulation models represented by equations are discussed, but it is difficult to generate a model that can be adapted to any situation. , Its application is limited. Although the conventional Kubelka-Munk theory is widely used for color matching prediction, some assumptions have been made to limit the situations in which this theory is applicable. Forming a model that replaces the model described above is indeed difficult. The use of neural networks is considered to be effective as a technique for eliminating the difficulty in forming an alternative model. However, human vision is too sensitive for the neural network to display the accuracy required for predictions as low as 0.01%. Disclosure of the invention In view of the foregoing, the present invention provides a target material, a target color, a target light, a target sound signal by mixing a plurality of color elements, light elements, acoustic signal elements, electric signal elements, or electromagnetic wave elements, respectively. It is an object of the present invention to provide an improved ratio prediction system for systematically predicting a ratio or a mixing ratio when generating a target electric signal or a target electromagnetic wave with high accuracy. It is also an object of the present invention that a material, color, light, acoustic signal, electrical signal, or signal whose specification is similar to the specification of the target material, target color, target light, target acoustic signal, target electrical signal, or target electromagnetic wave. It is an object of the present invention to provide an improved mixture generation method for generating a desired target such as an electromagnetic wave. As used herein, the term "element" refers to a substance, color, light, acoustic signal, electrical signal, or electromagnetic wave having various physical and / or chemical properties that can be mixed, and is used herein. The term "target" refers to a substance, color, light, acoustic signal, electrical signal, or electromagnetic wave produced by mixing these elements. Also, the term "mixing" as referred to in this application is not just a direct mixing of physical substances, chemical substances, or electrical events, but also a human sensory tissue, even if the substances are not actually mixed. It is to be understood that this also means a mixture of substances to be recognized. For example, as a mixture of substances sensed by human sensory tissues, a color printer or the like spatially arranges color toner particles in a predetermined area at a different ratio to generate a mixed color, or a display such as a color display. There is a method of generating a mixed color by displaying a color by changing the intensity of light dispersed in a space. Thus, the term "mixture" as used herein refers to a substance, color, light, acoustic signal, electrical signal, or electromagnetic wave produced by such a special mixture. The ratio prediction device presented as one embodiment of the present invention includes a ratio characteristic extractor for determining a feature of a target and a GA (genetic algorithm) calculation for predicting a ratio or a mixture ratio of two or more elements. And an evaluation means for calculating the similarity between the two features. According to another aspect of the present invention, there is provided a mixture generation method comprising: a ratio characteristic extractor for determining characteristics of a target; and a GA (genetic algorithm) for predicting a ratio or a mixture ratio of two or more elements. It includes a calculator, evaluation means for calculating the similarity between two features, and a mixer for mixing elements according to each ratio finally calculated by the GA processor. The evaluation means employed by the present invention include a mixture element evaluation portion adapted to receive the ratios predicted by the GA processor and evaluate the type of non-zero element, and / or an element at each ratio. And at least one of the mixture characterization portions for predicting the characteristics of the mixture formed by mixing with the characteristics of the target. The mixture element evaluation part of the evaluation means used in the present invention includes at least one of an element number evaluation part and an unnecessary element number evaluation part. The element number evaluation part receives a ratio predicted by the GA processor and a mixture element number selector adapted to digitize the predicted ratio, and receives a feature extracted by the mixture feature extractor to determine a target. Mixture element predictor adapted to predict the type of element to be formed, and similarity by comparing the element number obtained from the mixture element number selector and used for mixing with the element number obtained from the mixture element predictor And an element number distance calculator that outputs On the other hand, the unnecessary element number evaluation part receives a mixture element number selector, a knowledge base displaying combinations unnecessary for the mixture as knowledge, and an element number obtained from the mixture element number selector and uses the received element number for the mixture. It includes a base and a penalty portion adapted to reduce compatibility if an unnecessary element number exists with reference to the base. The mixture feature evaluation part is a mixture feature predictor adapted to receive the prediction ratio calculated by the GA processor and to predict the characteristics of the mixture obtained by mixing the elements at the same prediction ratio, and a mixture feature extractor. A mixture feature distance calculator for comparing the extracted feature with the mixture feature predicted by the mixture feature predictor and outputting similarity. The GA processor used in the present invention includes a GA initial value determining portion for determining an initial value according to a genetic algorithm for ratio prediction, and a dynamic GA processor for continuously determining a ratio. The GA initial value determining portion includes at least one ratio initial value determining portion adapted to receive a feature of the target and predict a ratio to be an initial value later. The above-mentioned GA initial value determining portion includes at least one ratio initial value determining means for predicting a ratio to be each initial value after receiving the feature of the target, a knowledge base on a combination of elements, and a ratio initial value. A multi-elite generator that compares the output from the determination means with the same knowledge and replaces the ratio of unnecessary element candidates with zero to generate a new GA processor initial value can be included. Alternatively, the GA initial value determination part is obtained from a color space feature extractor for outputting coordinates in a color space such as L * -a * -b * of a target color, and a color space feature extractor. A color space classifier adapted to receive coordinates in a color space and determine which representative color region the target color is included in, and a knowledge base that expresses knowledge about the color combinations of the elements. Receiving a random initial value generator for outputting a random ratio, a ratio generated by the random initial value generator, and information about a representative color area that can be searched by a knowledge base determined by a color space classifier. The random ratio value obtained from the random initial value to determine whether or not a color region having an inappropriate combination of colors is included, and the random initial value correction adapted to correct the inappropriate random ratio. Can be included . In the present invention, the characteristics of any target are first determined by a mixture feature extractor to produce a mixture having the same characteristics as that of substantially any target. In the case of sounds and colors, physical characteristics such as spectra can be considered as the characteristics. The GA processor then predicts, based on the genetic algorithm, the mixture ratio of the fixed mixture produced by mixing two or more elements. The evaluator compares the feature determined by the mixture feature extractor with the feature of the mixture finally generated by mixing the elements at each ratio predicted by the GA calculator, and calculates the ratio of the ratio predicted by the GA processor. Evaluate accuracy. The ratio predictor includes the mixture feature extractor described above, a GA processor, and evaluation means. The mixer mixes the components at each expected ratio to provide a mixture. Since the GA processor uses the ratio determined by the initial value determining portion as each initial value, the accuracy of the mixture ratio prediction can be continuously improved based on the genetic algorithm. Further, in order to evaluate the validity of the ratio predicted by the GA processor, the evaluation means outputs an evaluation result obtained by the embedded element number evaluation part, the unnecessary element number evaluation part, or the mixture characteristic evaluation part. The element number evaluation part is composed of a mixture element number selector, a mixture element predictor, and an element number distance calculator. The mixture element number selector operates in response to the ratio predicted by the GA processor and digitizes the predicted mixture ratio. That is, if the predicted ratio is below the predetermined limit, it is turned off, and if it is above the limit, it is turned on. The mixture component predictor receives the features extracted by the mixture feature extractor and predicts the component types forming the target. The element number distance calculator compares the element number obtained from the mixture element number selector and used for mixing with the element number obtained by the mixture element predictor, and then outputs the similarity between the two. The unnecessary element number evaluation part includes a mixture element number selector, a knowledge base, and a penalty part. The knowledge base holds the knowledge necessary for removing redundant elements. The penalty part receives the element number used for mixing obtained from the mixture element number selector, and refers to the knowledge base to reduce compatibility if an unnecessary combination of elements exists. The mixture feature evaluation part is composed of a mixture feature predictor and a mixture feature distance calculator. The mixture feature predictor receives the ratios predicted by the GA processor and predicts the characteristics of the mixture obtained by mixing the elements at each prediction ratio. The mixture feature distance calculator compares the features obtained by the mixture feature extractor with the features of the mixture obtained by the mixture feature predictor, and then provides an output indicating both similarities. BRIEF DESCRIPTION OF THE FIGURES The objects and other features of the present invention will become apparent from the following description of preferred embodiments of the present invention taken in conjunction with the accompanying drawings. Throughout the drawings, like parts are designated by like reference numerals. FIG. 1 is a block diagram showing a ratio prediction device according to the present invention. FIG. 2 is a block diagram showing an output of a GA processor used in the apparatus of the present invention. FIG. 3 is a flowchart showing a genetic algorithm employed in implementing the present invention. FIG. 4 is a block diagram showing a mixture production method according to the present invention. FIG. 5 is a block diagram showing details of the evaluation means used in the device of the present invention. FIG. 6 is a block diagram showing details of the mixture element predictor used in the apparatus of the present invention. FIG. 7 is a block diagram showing details of the mixture feature predictor used in the apparatus of the present invention. FIG. 8 is a block diagram showing details of a Ga calculator used in the apparatus of the present invention. FIG. 9 is an explanatory diagram showing fuzzy classification in the a * -b * color space and the a * -b * color space. Excellent mode for carrying out the invention In the description of the preferred embodiment of the present invention, the present invention is applied to colorant ratio prediction, that is, prediction of a colorant mixture ratio for producing a desired color as in the above-described prior art. The case will be described. FIG. 1 shows a schematic block diagram of a ratio prediction system according to a preferred embodiment of the present invention. This ratio prediction system includes a mixture feature extractor 1, an evaluation unit 2, and a GA (genetic algorithm) processor 3. Assuming that the color of the target paint is specified by the specification, the mixture feature extractor 1 analyzes and outputs the spectrum of the target color. A spectrum represents a physical property that continuously appears on the frequency axis, but in many cases the spectrum is represented by n values using n filter banks and n discrete Fourier transforms Is done. The GA processor 3 uses a genetic algorithm (GA) to predict a method of generating a target color by mixing m component dyes (m is greater than 1) at a specific mixing ratio. FIG. 2 shows an example of the mixing ratio or ratio of m element dyes predicted by the GA processor 3. Such a mixing ratio is output from the GA processor 3. The above-mentioned genetic algorithms are well known to those skilled in the art and are described, for example, in DE Goldgold, Genetic Algorithms in Search, Optimization, and Machine Learning (Addison-Wesley, 1989); This is discussed in Davis's Genetic Algorithm Handbook (Van Nostrand Reinhold, 1990). The evaluation unit 2 compares the information about the target color supplied from the mixture feature extractor 1 with the predicted ratio supplied from the GA processor 3, and is displayed by the accuracy of the predicted ratio, that is, the target color and the predicted ratio. The degree of color matching between colors is determined. Thereafter, the evaluation unit 2 outputs the suitability (or the evaluation value) indicating the degree of consistency. The GA processor 3 uses the output value from the evaluation unit 2 and gradually improves the accuracy of the prediction ratio by a genetic algorithm. Referring to FIGS. 2 and 3, the GA processor 3 operates according to the genetic algorithm, and the ratio vector predicted by the GA processor 3 is represented as n chromosomes of the genetic algorithm as shown in FIG. Assuming that the number of element dye types is m, the predicted ratio vector corresponds to the m-th order vector. In the case of the ratio vector 1 in FIG. 2, this is a mixture of m element dyes, that is, white, green-1, green-2, yellow, and red dyes at a ratio of 0.23, 0.04, 0.31, 0, and 0.11, respectively. Means that Since the genetic algorithm is designed to search using multiple chromosomes as shown in Figure 2, the GA processor 3 processes corresponding multiple ratio vectors and continuously improves its prediction accuracy Let it. FIG. 3 is a flowchart showing a mechanism for increasing the accuracy of the ratio predicted by the GA processor 3. The flowchart in FIG. 3 is based on a genetic algorithm. As shown in the figure, in the GA processor 3, n chromosomes, that is, ratios are first initialized. The simplest conventional initialization method is to initialize it with a random value. However, in another embodiment of the present invention, the design of the initialization method is unique as described later. The initialized ratio is supplied to the evaluation unit 2. Of course, the prediction accuracy of the ratio performed in the first cycle is not high. Therefore, the evaluation unit 2 cannot provide high compatibility with the n ratio vectors. The m-fits (evaluation values) are returned to the GA processor 3 again, and the GA processor 3 then selects a plurality of prediction ratio vectors given high suitability according to the m-fits thus returned. I do. The ratio vector selected by the GA processor 3 corresponds to a parent that generates a next-generation child ratio vector. In the genetic algorithm, this step is called selection. The next step is to mate two prediction ratio vectors arbitrarily selected from the selected parent ratio vectors, and to provide a next-generation prediction ratio vector by this crossing. This step is performed by a mating operation that combines the two m-th order vectors to produce two different m-th order vectors. Next, the simplest one-point crossing will be described as an example. Suppose two m-th order vectors are represented by chromosomes a and b. The single-point crossing generates the first child ratio vector from the r-th element in the first half of chromosome a and from the (mr) -th element in the second half of chromosome b. This is a calculation method to generate a second child ratio vector from the latter (m-r) -order element (where 0 <r <m). This cross is called a one-point cross because the offspring are generated by exchanging elements at the boundary between the r-th order and the (r + 1) -th order from the beginning. By repeating this mating, n ratio vectors of the second generation are generated. The calculation performed at the end of the genetic algorithm is called mutation, and a random value is added to a value that specifies the proportion of arbitrarily selected elements of the arbitrarily selected chromosome. As far as the search is concerned, this mutation represents a general search to prevent the ratio from falling to a minimum. The n chromosomes from the previous selection, mating, and mutation steps represent the second generation ratio vectors. This ratio vector of the second generation is returned to the evaluation unit 2 again, and the process flow of FIG. 3 is repeated. The process flow illustrated in FIG. 3 ends when the prediction accuracy of the prediction 1 ratio reaches the required accuracy. Functions of various components of the GA processor 3 will be described later. Next, FIG. 4 will be described. This illustrates a method for producing a mixture according to a preferred embodiment of the present invention. Reference numeral 4 in FIG. 4 indicates a ratio predictor, and reference numeral 5 indicates a mixer. The ratio predictor 4 is composed of a mixture feature extractor 1, an evaluation unit 2, and a GA processor 3 which are all shown in FIG. 1 and described with reference to FIG. 1, and a ratio prediction system shown in FIG. It has the same function. The mixer 5 mixes m element dyes at a ratio determined by the ratio prediction 4. The functions of the various components will be described later in detail. FIG. 5 shows an embodiment of the evaluation unit 2 used in carrying out the present invention. The evaluation unit 2 includes a mixture element evaluation unit 6, a mixture characteristic evaluation unit 7, and a suitability integrator 8. The mixture feature evaluation unit 7 shown here performs evaluation from two viewpoints. The mixture element evaluation unit 6 includes an element number evaluation part 61 and an element number unnecessary evaluation part 63. The mixture element evaluation unit 6 evaluates which element dye should be mixed. In other words, the mixture element evaluation unit 6 converts the ratio predicted by the GA processor 3 into binary information (on or off) indicating whether the element dyes should be mixed or not, and converts it to It serves to compare with the physical characteristics of the target color. In a preferred embodiment of the present invention, a circuit structure including an element number evaluation part 61 and an element number unnecessary evaluation part 63 performs a specific evaluation. On the other hand, the mixture feature evaluation unit 7 evaluates the ratio value predicted by the GA processor 3. The fitness integrator 8 functions to weight each of the plurality of fitnesses and then sum them up, from which one fitness is output as an output from the evaluation unit 2. The simplest weighing method is to apply even weight. The element number evaluation section 61 of FIG. 5 includes a mixture element number selector 620, a mixture element predictor 611, and an element number distance calculator 612. The function of the element number evaluation part 61 having such a structure is as follows. The mixture element number selector 620 receives the ratio predicted by the GA processor 3, as shown in FIG. 2, and displays it as off information indicating that the element dyes whose ratio is below the threshold value are not mixed, and other ratios. Converts to one of binary digits consisting of ON information indicating that all element dyes are mixed. The above-mentioned limit value is determined in consideration of the visual recognizability as to whether a person can perceive the difference when the element dyes are mixed, and the prediction accuracy of the GA processor 3. On the other hand, the mixture element predictor 611 directly predicts which element dyes are to be mixed using the color spectrum obtained from the mixture feature extractor 1. FIG. 6 shows an example in which the mixture element predictor 611 is executed by a neural network. In FIG. 6, reference numeral 6111 represents a feature element number converter, and reference numeral 6112 represents a limit value processor. The feature element number converter 6111 is in the form of a neural network consisting of three layers of forward feed, and receives the n-th color spectrum acquired by the mixture feature extractor 1 and receives the m-th element dye. It is adapted to output either an on output indicating mixing or an off output indicating non-mixing of the m-th element dye. The neural network of the feature element number converter 6111 acquires knowledge from a ready-made training data set. The component dyes are pre-mixed to provide a sample color paint, which is then subjected to colorimetric measurements to determine the color spectrum of the composite color. In such cases, since the mixed component dyes are well known, an accurate relationship between the color spectrum and the m-order on or off information can be obtained. This information is used as a teaching signal to inform the neural network of knowledge. A variety of learning algorithms have been proposed for neural networks.If, for example, the most frequently adopted inverse breeding learning rule is adopted, the feature element number converter 6111 can be easily executed. . However, in practice, even though the output of either binary digits (0 or 1) is taught to the neural network, the output layer of the neural network uses a continuous function such as an S-shaped function, The output is 0.001 or 0.998, not a full 0 or 1. The limit value processor 6112 digitizes these values. The limit value processor 6112 compares the feature element number converter 6111 with a predetermined limit value set therein, and forcibly converts the output of the neural network into either an ON signal or an OFF signal. For example, an ON signal is output from the limit value processor 6112 if the value is larger than 0.5, and an OFF signal is output from the limit value processor 6112 if the value is smaller than 0.5. The element number distance calculator 612 is illuminated with information on which element pigments to mix when illuminated by the color spectrum of the target paint obtained from the mixture element predictor 611, and the prediction ratio obtained from the mixture element number selector 620. It serves to compare the information with which element dyes are mixed in some cases and to provide an output that specifies the degree of difference between such information. Element number distance calculator 612 determines two m-order binary vector distances. The simplest way to achieve this is to calculate the difference in the number of bits. This distance is then provided to the adaptive integrator 8. Another specific example of the mixture element evaluation unit 6 is the element number unnecessary evaluation part 63. 5 includes a mixture element number selector 620, a knowledge base 631, and a penalty calculator 632. The function of the element number unnecessary evaluation section 63 having the above structure is as follows. The penalty calculator 632 is adapted to receive information about which element dyes to mix from the mixture element number selector 620, and access the knowledge base 631 to element dyes input from the mixture element number selector 620. Is determined to be unacceptable or unnatural. The knowledge base 631 contains, for example, knowledge about the following color combinations. Rule 1: Avoid the use of complementary dyes, such as red and green. Rule 2: Avoid the use of same color pigments, for example, green-1 and green-2. Rule 3: Maintain a nearly 100% ratio. The penalty calculator 632 generates an evaluation value depending on how much the prediction ratio complies with these rules. The part that performs the third most important evaluation in the evaluation unit 2 is the mixture characteristic evaluation unit 7. As shown in the figure, the mixture feature evaluation unit 7 calculates the perceived attributes of the predicted color, for example, the coordinates of the L * -a * -b values in the (x, y) chromaticity diagram of CIE1976 by GA. It includes a feature distance predictor 72 that interprets based on the ratio predicted by the processor 3. Here, L *, a *, and b * represent lightness, hue, and saturation, respectively. The mixture feature distance calculator 71 receives the target coordinates L * -a * -b * from the mixture feature extractor 1 and calculates the color between two m-order ratio vectors in L * -a * -b * space. Calculate the interval (Euclidean distance). Each value of L *, -a *, and -b * is calculated from the surface spectral reflectance. When mapping ratios to L * -a * -b *, it is difficult to achieve high accuracy. FIG. 7 shows a method of acquiring a mapping by a learning function of a neural network. The training data for this can be obtained in a manner similar to the training data for the neural network shown in FIG. The element dyes are premixed to provide a sample paint, which is then colorimetrically measured to determine the color spectrum of the composite color. When the color spectrum is analyzed, it is easy to convert the color space coordinates, so that it is possible to obtain in advance the relationship between the ratio of the element dyes and the color space coordinates, which is used for the neural network of the mixture feature predictor 72. Used as training data. The color of the paint formed by mixing the element dyes according to the ratio predicted by the GA processor 3 and the color of the target paint are converted into a distance in a color space, and this is supplied to the compatibility integrator 8. In this way, the evaluation unit 2 evaluates the accuracy of the ratio predicted by the GA processor 3. This evaluation is fed back to the GA processor 3. In the above description, the evaluation unit 2 has three components for performing the evaluation, that is, the element number evaluation part 61, the element number unnecessary evaluation part 63, and the mixture characteristic evaluation part 7, but the evaluation unit It is enough for two to use one of them to make an assessment. However, using three components in the evaluation unit 2 is advantageous in that high accuracy can be expected. However, it is not always necessary to use a combination of these components (see table below). When a paint is formed by mixing element dyes, no one knows what color it will be until it is actually mixed. However, it takes a considerable amount of time to produce a synthetic paint having a color that matches the color of the target paint by accidental mixing of component dyes, and also involves cost problems. The three evaluation methods performed by the evaluation unit 2 present a solution to this problem, and in particular, by predicting the colors that can be produced by mixing the element dyes, the color matching with the target paint can be stably obtained by computer simulation. Can be FIG. 8 shows the structure of the GA processor 3 according to a preferred embodiment of the present invention. The GA processor 3 in FIG. 8 includes an initial value determination unit 31 and a dynamic GA determination unit 32. The GA processor 3 functions by the following method according to the genetic algorithm. Genetic algorithms are widely employed in the art, and terms such as "population size", "chromosome", and "gene" associated with the genetic algorithm should be well understood by those skilled in the art. Judgment and use in the text without a clear definition. In the figure, chromosomes output from the GA processor 3 are shown. The ratio of the m element dyes linked in the chromosome, that is, the mixture ratio, corresponds to m genes, respectively. The genetic algorithm prepares n such chromosomes. n represents the population size. The genes of each of the n chromosomes are first initialized by the initial value determination unit 31 to cause the GA processor 3 to output an initial output. The initial value determination unit 31 only operates once at the beginning. The chromosome value evaluated by the evaluation unit 2 is returned to the GA processor 3. The dynamic GA determination unit 32 performs genetic manipulation (selection, crossing, and mutation) by a genetic algorithm based on the fitness, and produces n chromosomes of the next generation. The chromosome thus produced (that is, the predicted ratio) is output from the GA processor 3. The dynamic GA determination unit 32 repeats this procedure. Thus, the dynamic GA determination unit 32 plays an important role in the GA processor 3. However, even if the GA processor 3 functions according to the same genetic algorithm, the performance of the ratio prediction performed by the GA processor 3 depends on the initial value determined by the initial value determination unit 31. Hereinafter, the structure and function of the initial value determination unit 31 will be discussed. Referring to FIG. 8, the initial value determination unit 31 includes a counter 311 control unit 312, an initial ratio determiner 313, a multi-elite generator 314, a random initial value generator 315, a color space feature extractor 316, and a color space classifier 317. , And a random initial value corrector 318. The initial value determination unit 31 of the structure performs an effective initialization using the three conventional methods as performed in the genetic algorithm. Initial initialization is performed in an initial ratio determiner 313 that is adapted to receive information about the color spectrum of the target paint from the mixture feature extractor 1 and transmit the ratio of the component dyes, i.e., the mixture ratio. . The initial ratio determiner 313 itself is what should be called a ratio prediction device, and can be executed by a neural network. Such neural networks have been reported in the Bishop et al. Article discussed above in connection with the prior art, and can be implemented in a manner similar to the neural networks shown in FIG. 6 or FIG. As shown by experimental data below, the initial ratio determiner 313 alone does not provide a complete prediction. However, when comparing the output from the initial ratio value determination unit 313 with the random value used for initialization during the implementation of the standard genetic algorithm, it is assumed that the ratio prediction device approximates the ratio that is finally predicted. Can be. Therefore, if the prediction ratio obtained from the initial ratio determiner 313 is used as an initial value in the ratio prediction system of the present invention, the prediction performance can be improved. The second initialization is performed in the initial ratio determiner 313, the knowledge base 631, and the multi-elite generator 314. Use of the initial ratio determiner 313 can provide a good single initial value. However, the initial ratio determiner 313 does not consider the relationship between the complementary color and the same color, and the description of the prediction ratio regarding which element dyes are to be mixed in what method includes unnecessary and unnecessary element dye combinations. Often. The multi-elite generator 314 is adapted to receive the predicted ratio from the initial ratio determiner 313 and to access the knowledge about the color combinations described in the knowledge base 631 to generate the initial ratio. A good quality prediction ratio different from the output from the unit 313 is output. Thus, if the predicted ratios include unnecessary and useless combinations of component dyes, the ratio of component dyes can be zero (ie, such component dyes should not be mixed with each other). . Multi-elite generator 314 contributes to providing a better starting point for a genetic search. The third initialization is performed in the random initial value generator 315, the color space feature extractor 316, the color space classifier 317, the random initial value modifier 318, and the knowledge base 631. The random initial value generator 315 randomly outputs the ratio in the same manner as the random initial value generator used for initializing the standard genetic algorithm. The color space feature extractor 316 determines the coordinates of the color space such as the L * -a * -b space from the spectrum of the target color by calculation. The color space classifier 317 divides or classifies the color space into representative color gamuts, and how much the color space coordinates obtained from the color space feature extractor 316 fall into which representative gamut divided by such classifier 317. Provide an output that specifies whether it belongs. Figure 9 shows that the two-dimensional a * -b * space has a hue angle tan ^-1 (B * / a *) and has five representative hue angles, namely, red (R), yellow (Y), green (G), blue (B), and purple (V) color gamuts. Shows an example of fuzzy classification. The triangles in FIG. 9 limit the respective degrees of belonging corresponding to the hue angles of purple (V) ranging from red (R). The color changes continuously, and the degree of belonging gradually shifts from one representative color gamut to the next color gamut according to the change in the hue angle. FIG. 9 also shows one color space coordinate (a * _i , b * _i ) Shows the output generated from the color space classifier 317 when the image is obtained. The output provided by the color space classifier 317 is the hue angle tan-1 (b * _i / a * _i ), 0.75 and 0.25 indicate that they belong to the red and yellow color gamuts, respectively, and do not belong to the other color gamuts. The random initial value corrector 318 receives the degree of belonging and the random initial value of the ratio of the element dyes from the random initial value generator 315. Next, the random initial value corrector 318 corrects the randomly generated ratio with reference to the degree of belonging to the representative color obtained from the color space classifier 317 and the knowledge about the color combination obtained from the knowledge base 631. For example, if there is a color in which red is dominant but has shifted to the yellow range to some extent, the random initial value corrector 318 forcibly sets the ratio of green to zero because red and green have a complementary color relationship, In addition, either the ratio of red-1 or red-2 is set to a zero value. The above three initializations are controlled by the counter 311 and the control unit 312. The counter 311 has been initialized to zero. The control unit 312 operates only when the count of the counter 312 is zero. That is, the population is initialized by the initial ratio determiner 313, the multi-elite generator 314, and the random initial value corrector 318. Since the random initial value generator 315 can initialize any value, some values are first initialized by the initial ratio determiner 313, and then the multi-elite generator 314 is initialized according to some rules of the knowledge base 631. The output from the ratio determiner 313 is corrected. Other values are initialized by the random initial value corrector 318. As a matter of course, the ratio prediction system and the mixture generation method of the present invention can be sufficiently applied even when the direct initialization is performed using only the output from the random initial value generator 315 as in the standard genetic algorithm. It works, but its performance can be enhanced by the composite elite generated by the random initial value modifier 318. The initial population formed by the above method is supplied to the dynamic GA determination unit 32. When the output from the GA processor 3 returns to the evaluation unit 2 and the value evaluated by the evaluation unit 2 is fed back to the GA processor 3, the count of the counter 311 increases by one. Since the count of the counter 311 is no longer 0, the initialization of the initial value determination unit 31 is performed only once at the start. In the above description, the initial value determination unit 31 is described as being configured to perform three initialization methods, each of which is performed in a random manner as performed in a prior art genetic algorithm. It should be noted that a good value can be generated by itself even when compared with the initialization by value. Thus, even if the three initialization methods are not implemented simultaneously, the predicted performance and manufacturing performance is expected to be much higher compared to prior art ratio prediction systems and mixture manufacturing methods. Also, although the color space classifier 317 used in the embodiment of the present invention is shown as being capable of fuzzy dividing the color space, it uses knowledge about each color gamut into which a good initial value is divided. Since the point to be determined is important, the same effect can be obtained even if clear division is performed. In order to quantitatively show the effect of the present invention and the effectiveness of the three components 61, 63 and 7 of the evaluation unit 2, the following five devices (a) to (e) were compared and tested. (A) One neural network style initial ratio determiner 313. (Ratio prediction device capable of performing ratio prediction using a neural network previously discussed in relation to the prior art) (b) A ratio prediction device in which the evaluation unit 2 includes only the mixture characteristic evaluation unit 7. (C) A ratio prediction device in which the evaluation unit 2 includes the mixture feature evaluation unit 7 and the element number unnecessary evaluation portion 63. (D) A ratio prediction device in which the evaluation unit 2 includes the mixture characteristic evaluation unit 7 and the element number evaluation part 61. (E) A ratio prediction device including the mixture feature evaluation unit 7, the element number unnecessary evaluation part 63, and the element number evaluation part 61 in which the evaluation unit 2 has three components. During the experiment, 92 data randomly selected from the 302 data on the target paint, which is a known formulation, were used as test data, and the ratios of the elemental dyes were determined using the devices (a) to (e). Predicted. The table below shows the ratio prediction errors. In this way, the invention has a distinctly superior effect when the evaluation unit 2 has three components. Although the above description describes the case where the present invention is applied to the production of a paint that generally matches the color of the target paint by mixing element dyes, the present invention should be limited to the production of such a physical mixture. Rather, it is equally applicable to mixing wavelengths such as color, light, and sound. Also, while the disclosed embodiments are directed to physical mixtures, the invention is applicable to mixtures of any human-perceivable object. For example, in the case of color blending based on a mixture that can be visually recognized as in a color printer, the ratio predicting apparatus of the present invention can predict the ratio of the surface area of spatially distributed color elements. In addition, in the case of color mixing based on a mixture that can be visually recognized as in a color display, the ratio prediction device of the present invention can predict a mixture ratio relating to the light density of spatially distributed color elements. Similarly, there are many uses for the mixture production process of the present invention. INDUSTRIAL APPLICATION As described above, according to the present invention, it is possible to predict with high accuracy the mixing ratio of elements for manufacturing a target object having predetermined specifications without actually mixing elements. As a result, a mixture that substantially conforms to the predefined target can be easily generated. This has the advantage of reducing the time and associated costs required for prediction and manufacturing. Thus, the present invention has numerous industrial uses.

───────────────────────────────────────────────────── 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────────────────────────────────────────────────── ─── Continuation of front page (72) Inventor Eiji Mizutani 2-9-12 Nishiyamadai, Osaka Sayama-shi, Osaka (72) Inventor Auslander, David M United States 94707 California Berkeley, Kentucky Avenue 411

Claims

[Claims] 1. A ratio forecast that predicts the components to be mixed and their ratios to achieve a given target Measurement system, A landmark feature extractor for extracting features of the predetermined landmark; When a ratio vector indicating the characteristics of the predetermined target and the amount of each element is received Operate on the points and determine the suitability of the ratio vector based on the extracted features of the predefined target. Evaluation means to determine Genetic algorithm in which the amount of each element and each ratio vector are represented by genes and chromosomes, respectively. GA processor for predicting ratio vectors based on fitness according to the algorithm And is composed of The ratio vector predicted by the GA processor is input to the evaluation means. The evaluation means repeats the evaluation of the ratio vector to obtain the optimal ratio vector Determine the ratio prediction system. 2. The evaluation means receives the ratio predicted by the GA processor, and receives the input feature value. Is a mixed element evaluation tool that evaluates the types of elements with non-zero ratios based on The system of claim 1. 3. The mixed element evaluation means receives the ratio vector predicted by the GA processor and Digitized by comparing it with the pre-defined limits, thereby being greater than the pre-defined limits The ratio element number selector that selects the element that is the ratio and the target feature extractor Element predictor that receives the characteristics to be obtained and the element number obtained from the mixed element number selector Element number distance calculator for comparing the signal with the element number obtained from the mixed element predictor The system of claim 2, comprising: 4. The mixed element evaluation means sets a combination unnecessary for element mixing as a knowledge piece. Described knowledge base and elements used for mixing in mixed element number selector Number is received and there is an unnecessary combination of element numbers by referring to the knowledge base. Is one element 3. The system of claim 2, comprising: a penalty means for reducing the suitability of the system. 5. The evaluation means mixes and forms elements according to a prediction ratio by a GA processor. The characteristics of the resulting mixture are evaluated by comparison with the characteristics of the entered predefined target. 2. The system of claim 1, wherein the system is a valuable mixture feature evaluation means. 6. The mixture characterization means receives a ratio vector predicted by a GA processor. Work by mixing the elements according to the ratio given by the ratio vector A mixture feature predictor that predicts the characteristics of the extracted mixture and a mixture feature extractor Characteristics of the mixture obtained from the mixture feature predictor to determine similarity. And a mixture feature distance calculator for outputting as system. 7. The GA processor determines the initial value of the ratio of each element to be predicted The GA initial value determination part and the ratio that is determined continuously based on the genetic algorithm An GA processor, wherein the GA initial value determining portion receives a feature of the target. Can be set as the initial value and the ratio of the elements forming the target The system of claim 1 including at least one initial ratio value determining means operable. 8. The GA processor determines the initial value of the ratio of each element to be predicted The GA initial value determination part and the ratio that is determined continuously based on the genetic algorithm An GA processor, wherein the GA initial value determining portion receives a feature of the target. Can be set as the initial value and the ratio of the elements forming the target Describes at least one means for determining initial ratio values and knowledge about combinations of elements The output from the knowledge base and the initial ratio value determination part By comparing the ratio of unnecessary element candidates to zero compared to knowledge, GA processor A multi-elite generator for newly setting the initial value of the The described system. 9. The target is a color, and the GA processor predicts the element ratio GA initial value determination part for determining initial value and ratio based on genetic algorithm And a dynamic GA processor that continuously determines To the color of the target Color space feature extractor to output coordinates in color space like L * -a * -b And receives the coordinates in the color space acquired by the color space feature extractor, A color space classifier adapted to determine whether it falls within the representative color gamut of A knowledge base that describes the knowledge about combinations and a random ratio Initial value generator and the ratio and color space generated by the random initial value generator A knowledge base adapted to receive information about the representative gamut determined by the classifier Is incorrect color in gamut to random value of ratio obtained from random initial value by searching for To determine if any of the combinations are included and correct incorrect random ratios. 2. The system of claim 1 including a random initial value modifier operative to operate. Ten. The color space classifier fuzzy selects a color space, and selects a color of a target material and a target object. Of the colors belonging to one or two or more representative color gamuts 10. The system according to claim 9, capable of providing an output. 11． The color space classifier fuzzy selects a color space and assigns the color of the target object. Multiple outputs can be provided to indicate the degree of belonging to one, two, or more representative color gamuts The random initial value modifier is randomly assigned to the initial value ratio. 10. The system according to claim 9, wherein the complement can be determined according to the degree of membership. 12． A method of preparing a default target by mixing a predetermined number of elements in a predetermined ratio, Extracting features of the predefined landmark; Vector elements showing the amount of each element based on the extracted features of the target Evaluating a ratio vector having Genetics in which the amount of each element and each ratio vector is represented by a gene and a chromosome, respectively Predicting a ratio vector based on fitness according to an algorithm; By repeating the evaluation and prediction steps, it is necessary to prepare the target Determining an optimal ratio. 13. The evaluation step receives the ratio predicted by the GA processor, and receives the input feature value. Based on Claims is a mixed element evaluation step in which the type of the element whose ratio is not zero is evaluated based on 12. The method according to 12. 14. The mixed element evaluation stage receives a ratio vector predicted during the prediction stage. , Digitizes it by comparing it to the default limit, so that it is Receiving a ratio element number selection step of selecting a threshold ratio element and an extracted feature The mixed element prediction stage and the element number obtained from the mixed element number selector Calculating an element number distance for comparison with the element number obtained in the measurement step. 14. The method according to claim 13. 15． In the mixed element evaluation step, a combination unnecessary for mixing elements is used as a knowledge piece. Described knowledge base and elements used for mixing in the mixing element number selection stage Number is received and there is an unnecessary combination of element numbers by referring to the knowledge base. A penalty step of reducing one-element suitability. . 16． The evaluation step is formed by mixing elements according to the ratio predicted in the prediction step. The characteristics of the mixture to be evaluated are compared with the characteristics of the entered default target. 13. The method of claim 12, wherein the mixture characterization step is performed. 17． The mixture characterization step receives a ratio vector predicted in the prediction step And a mixture formed by mixing the elements according to the ratio given by the ratio vector Mixture feature prediction stage for predicting the features of the mixture, and features extracted in the mixture feature extraction stage Is compared with the features of the mixture obtained from the mixture feature predictor, and the similarity 17. The method of claim 16, further comprising: calculating a mixture feature distance for output. 18． The predicting step includes a GA for determining an initial value of a ratio of each element to be predicted. Initial value determination stage and dyna that determine ratio continuously based on genetic algorithm Mic GA processing step, wherein the GA initial value determining step receives a feature of the target. And the ratio of the elements forming the target can be set as an initial value. 13. The method of claim 12, comprising at least one initial ratio value determining step. 19. The GA calculation step is for determining an initial value of a ratio of each element to be predicted. GA first Period value determination stage and dynamics that determine ratio continuously based on genetic algorithm A GA processing step, and the GA initial value determining step receives a feature of the target. And the ratio of the elements forming the target can be set as the initial value. At least one initial ratio value determination stage and the output from the initial ratio value determination stage Combination knowledge is unnecessary compared to knowledge in the described knowledge base. Set a new initial value for the GA calculation stage by replacing the ratio of element candidates with zero And generating a multi-elite.