由表2對樣本濃度值和仿真濃度值進行比較,可以看出仿真的誤差值較小,這個誤差值已達到了較好的水平。經過對仿真結果進行再次打樣并與原樣本比較,顏色誤差已在允許的范圍內,達到了預期的效果。將基于粒子群優化算法的RBF神經網絡的織物染色配色模型與基于遺傳算法(GA)的RBF神經網絡的織物染色配色模型進行比較,結果如表3所示。
由表3可知,基于RBF神經網絡的粒子群優化算法用于織物染色配色產生的誤差較小。所以,PSO算法是一種較好的神經網絡算法。
5·結論
通過對基于RBF神經網絡的PSO算法的織物染色配色模型的研究,表明粒子群優化算法是一種很有潛力的神經網絡算法。此方法編程容易,參數調整簡單,速度較快,應用到織物染色配色領域可取得較好的效果。
參考文獻:
[1]張秉森,劉曉潔.神經網絡在計算機配色中的應用[J].染料, 2005, 31(18): 29-32.
[2]Simon Haykin.神經網絡原理[M].北京:機械工業出版社, 2004: 42-56.
[3]蔡兵,王培元,胡榮玉.RBF網絡參數確定方法的研究[J].襄樊學院學報, 2008(2): 69-70.
[4]徐海松.顏色信息工程[M].浙江:浙江大學出版社, 2005: 1-25.
[5]史愛松,張秉森.基于RBF神經網絡的遺傳算法在織物染色配色中的應用研究[J].染料與染色, 2006, 43(3): 25-28.
[6]趙會洋,王爽,楊志鵬.粒子群優化算法研究綜述[J].福建電腦, 2007(3): 40-41.
<<上一頁[1][2][3]
相關信息 
推薦企業 推薦企業
推薦企業
您所在的位置：
