在染色行业中,配色一直是一个关键的问题。传统的配色方法依靠人的经验,既费时又不精确;当前的计算机配色方法主要依靠的是Kubelka-Munk理论,该理论是Kubelka和Munk1939年从完整辐射理论推导出来的,因为存在前提条件,而纺织品未必都能遵守这些前提条件,因此基于Kubelka-Munk理论的计算机配色配出来的结果不准确,需要修正。为克服人工配色方法和当前基于Kubelka-Munk理论计算机配色方法的缺点,本文提出一种基于RBF(Radial-Basis Function,径向基函数)神经网络的遗传算法配色模型,并借助VC和Matlab实现一个织物配色系统原型。 借助染料浓度值与织物反射率之间的非线性关系,以及织物反射率与纺织品颜色Lab值之间的换算关系,认为染料浓度与织物颜色Lab值之间有关系,建立RBF神经网络来逼近这种关系,其中染料浓度作为KBF神经网络的输入,织物颜色Lab值作为RBF神经网络的输出。 遗传算法善于处理传统方法难于解决的复杂和非线性问题,在基于RBF神经网络的遗传算法织物配色模型中,染料浓度值作为遗传算法的个体输入到训练好的RBF神经网络的输入端,将RBF神经网络的输出值,即织物颜色Lab值与待配织物颜色Lab值之间差的绝对值作为遗传算法的目标函数。 分析该模型所求得的染料浓度配方得出以下结论: 1、基于RBF神经网络的遗传算法织物配色模型是可行的; 2、RBF神经网络训练的好坏决定配色的精度;