论文部分内容阅读
纤维原液着色技术与传统的织物染色不同,在纺纱和织造过程中,制品的颜色会产生视觉变化,因此如何把控原液着色纤维成品的颜色成为一大难题。随着科技的飞速发展,工业生产也逐渐进入智能化阶段,而神经网络作为人工智能方面的优秀代表,也随着科技的进步逐步趋于成熟,目前已被应用于各个领域。本课题中,纤维和纱线颜色数据的获取分别采用了光学镜片测量法与纱板测量法,将两者进行规律性分析,发现无法通过建立普通的线性函数对纱线的颜色进行表征,于是采用遗传算法优化BP神经网络建立GA-BP预测模型,将遗传算法的全局搜索能力和BP神经网络的局部寻优能力相结合,旨在获取最优的素色纱线颜色预测结果。基于样本数量的有限性,选择纤维和纱线的CIEL、CIEa、CIEb值为BP神经网络的输入神经元与输出神经元,建立BP神经网络。在28组样本中选取25组作为训练样本,3组作为验证样本,为了保证预测结果的稳定性与科学性,采用聚类分析将28组纤维样品分为3类,并从每个类别中选取最具代表性的3组样本(金黄、玫红和铁灰)作为验证样本,构建了3-5-3的BP神经网络结构。将遗传算法优化得到的最优权值与阈值赋予BP神经网络,经过训练可知:经遗传算法优化的神经网络(GA-BP)在迭代次数第28次,训练步数第8步时即可得到收敛,拟合曲线相关系数值都在0.99以上,具有很好的线性关系。利用BP神经网络得到玫红、金黄和铁灰三组验证样本的CIELAB色差分别为:3.26、2.87和1.32,利用GA-BP网络得到以上三组验证样本的CIELAB色差分别为:1.22、0.93和0.61。可以看出GA-BP网络预测精度更高,说明利用遗传算法优化BP神经网络与未经优化的BP神经网络相比,对原液着色纤维素色纱线的颜色预测更加有效。将聚类分析结果与GA-BP预测结果综合分析,同类别样本数量越少的验证样本色差越大,反之色差越小,其中金黄和铁灰的色差小于1,可以满足企业生产要求,玫红的同类别样本只有4组,色差较大。因而可以得出结论:在样本数量足够多,色域分布均匀的情况下,遗传算法优化BP神经网络可以应用于原液着色纤维素色纱线的颜色预测,并且可以得到较为理想的预测效果。本课题为解决了原液着色纤维为原料的素色纱线的颜色预测问题提供了一定的基础,将有效促进原液着色涤纶纤维的应用和发展。