基于PSO-LSSVM的单色棉织物颜色和染料浓度预测模型构建方法与流程

基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型构建方法
技术领域
1.本发明属于染色测配色领域，尤其涉及到一种基于pso
‑
lssvm的单色棉织物颜色和染 料浓度预测模型构建方法。


背景技术：

2.轧烘轧蒸过程是棉织物常用的染色过程，在实际制备供客户确认的小样中，目前仍然主 要是采用人工配色的方法，凭借配色人员的经验调配色彩打样，周期长，且在批量染色时常 常会碰到许多不可预测的干扰和变化，可重现性低，降低了生产效率。随着计算机技术、数 学、物理等学科的飞速发展，配色的理论、方法和技术也在不断地变化和发展，计算机配色 系统也应运而生。目前，主要有三种计算机配色方法，即色号归档检索、全光谱配色和三刺 激值配色，其中适用于计算机数值计算的是全光谱配色和三次刺激值配色。
3.机器学习方法已经在很多领导取得了成功应用，而计算机配色技术是新一代配色技术， 它成功结合了计算机和印染行业中的配色技术，大大提高了配色效率。在现有配色方法中， 三刺激值配色是最为普遍的一种方法，目前基本上均是基于最小二乘法的多项式回归和bp神 经网络，建立染料浓度与颜色三刺激值间的配色模型，由计算机进行测配色。
4.在机器学习方法中，基于统计学习理论中的vc维(vapnik
‑
chervonenkis dimension)和 结构风险最小化原则的支持向量机(svm)也是一种十分重要的方法，可以较好地解决小样 本、非线性、高维数和局部极小值这些问题，目前已经成功应用在模式识别、人工智能、医 学、经济等多个领域。但是svm在处理有限的训练样本时表现出很高的性能，然而，当训练 数据量较大时，计算过程变得十分困难，这使得它耗时且不适合实时应用。最小二乘支持向 量机(lssvm)可克服标准支持向量机的不足，将svm的二次规划问题的求解转化为求解 线性方程组。因此lssvm在解决大数据、因素多的复杂问题时能够大幅度降低计算的复杂程 度，从而比svm的求解速度更快，精度更高，并根据核函数的选取具有非线性建模能力强、 泛化能力强、训练时间短等优点。尽管lssvm已经应用于纺织染色中得到应用，但基于 lssvm进行配色模型的研究几乎没有。


技术实现要素：

5.本发明的一个目的是提供一种基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型 构建方法，并提供至少后面将说明的优点。
6.为活性染料上染棉织物的计算机测配色提出一种崭新而又准确的方法，本发明一种基于 pso
‑
lssvm和单个活性染料数据库预测染料浓度的方法，该方法是基于pso
‑
lssvm算法 和单个活性染料数据库建立的颜色预测模型和染料浓度预测模型，两类模型的特征参数值均 能维持在理想的范围内，构筑的模型和单个活性染料数据库染料专用性好，在预测未知单色 染色织物配方时，染料浓度的预测误差小，配方准确，为计算机测配色提出了一种新的方法。
7.本发明的技术方案如下：
8.基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型构建方法，其包括以下步骤：
9.获取单色织物合格染色数据，其包括织物染料浓度和颜色特征参数l*、a*和b*值，将所 述织物合格染色数据分为训练集和测试集；
10.设定初始lssvm参数并建立lssvm初始模型，利用所述lssvm初始模型对所述训练 集进行预测；
11.利用pso算法对上述预测结果进行参数优化处理，得到全局最优值gbest
d
，即最优化参 数组赋值给lssvm初始模型，得到pso
‑
lssvm预测基础模型；
12.将所述测试集作为测试样本，利用pso
‑
lssvm预测基础模型队进行测试训练，得到最 终pso
‑
lssvm预测模型；
13.以染料浓度为输入、颜色特征参数l*、a*和b*值为输出的最终pso
‑
lssvm预测模型为 颜色预测模型；以染色织物颜色特征参数l*、a*和b*值为输入染料浓度为输出的最终 pso
‑
lssvm预测模型为染料浓度预测模型。
14.优选的是，所述的基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型构建方法中， 获取单色织物合格染色数据包括：
15.预先设定活性染料上染棉织物时的染色条件和染色浓度，进行轧烘轧蒸染色试验制得染 制色样；
16.用分光测色仪测试染色制样的颜色特征参数，剔除异常染色数据，重染，记录合格染色 条件下染料浓度和颜色特征参数l*、a*和b*值；
17.其中，
18.染色条件为，氯化钠浓度为150
‑
200g/l，碳酸钠15
‑
25g/l，氢氧化钠4
‑
8g/l，浸轧后织 物带液率60
‑
75％，在110
‑
125℃热风下预烘100
‑
200s，在100
‑
102℃饱和蒸汽下汽蒸120
‑
250s；
19.染料浓度为0.01
‑
20g/l且总计不超过20g/l，按浓度不同分为15
‑
30组染色组；
20.各染色制样的染色条件相同；
21.剔除异常染色数据包括对所述染制色样使用台式分光测色仪进行测色，记录空白织物和 各染料质量浓度梯度色样的光谱反射率曲线和k/s值曲线，对出现如曲线交叉和吸收峰错位 等不规则曲线进行重新打样修正。
22.优选的是，所述的基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型构建方法中， 所述pso算法包括：
23.针对所需建立的染色效果预测模型设置具体参数：群体规模m、粒子的维度n、最大位置 x
max
、最大速度v
max
、惯性权重w、学习因子c1和c2、最大迭代次数k
max
以及优化问题的适应 度函数fitness()；
24.设置种群的初始信息，包括位置x
i
和速度v
i
；
25.根据目标函数计算各粒子适应度值，并评价每个粒子的适应度；
26.选择当前个体最优位置，对每个粒子当前的适应度值与其历史最佳位置的适应 度值fitness(pbest
id
)对比，若当前位置适应度值较高，则用当前位置更新历史
最佳位置 27.选择当前群体最优位置，对每个粒子当前的适应度值与群体最佳位置的适应度 值fitness(gbest
d
)对比，若当前位置适应度值较高，则用当前位置更新群体最佳位置判断是否满足终止条件，满足则搜索停止，输出结果；不满足则继续下一步；
28.判断是否满足迭代结束条件，根据优化问题设置迭代结束条件，如不满足结束条件，则 返回第二步骤重新计算；
29.若满足输出条件，则输出全局最佳位置gbest
d
，并停止搜索。
30.优选的是，所述的基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型构建方法中， 将所述测试集作为测试样本，利用pso
‑
lssvm预测基础模型队进行测试训练，得到最终pso
‑
lssvm预测模型包括：
31.根据模型特征参数值rmse、e
p
、mae和r2综合判断模型的质量；
32.如果建立的预测模型没有达到预定值，则返回再次进行颜色预测模型和染料浓度预测模 型的构建；
33.其中，rmse计算值要小于0.40，mae计算值小于0.35，ep计算值大于90％，r2计算值 大于99％。
34.优选的是，所述的基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型构建方法中， mae、rmse、e
p
和r2定义为：
[0035][0036][0037][0038][0039]
其中，n是样本数，y是实验值，是预测值，是样本平均值。
[0040]
上述涉及lssvm的算法原理和具体步骤为：给定一组训练数据集{(xi，yi)，i＝1，2，n}， 其中，n是训练样本数量；xi∈r
d
是输入矩阵，d是矩阵的维度；yi∈r是输出矩阵。然后通过 一个非线性映射φ(x)，将训练数据集从原始空间映射到高维特征空间，lssvm的决策函数 如下所示：
[0041][0042]
式中：w是权重向量，常数b是偏置项。lssvm的优化问题如下：
[0043][0044]
式中：γ是正则化参数，ξ是误差变量，相比于svm算法，其约束条件有所不同，变为 如下形式：
[0045][0046]
将支持向量机的不等式约束改为等式约束，构造拉格朗日函数l进行求解：
[0047][0048]
式中：αi为拉格朗日乘子。根据karush
‑
kuhn
‑
tucker(kkt)条件，得到如下等式约束条 件：
[0049][0050]
接着，消去w和ξ得到如下线性方程组：
[0051][0052]
式中：i是单位矩阵；α是支持向量；其他如下：
[0053][0054]
用ω表示核矩阵内积，核函数技巧如下：
[0055][0056]
最终得到lssvm的决策函数即回归模型如下：
[0057][0058]
式中：α和b求解获得。在实际建模过程中，α和b是在matlab平台中通过应用lssvm 工具箱编程运算得到，支持向量α是一个n行1列的矩阵。
[0059]
本发明具有以下有益效果：
[0060]
基于pso
‑
lssvm算法建立的颜色预测模型和染料浓度预测模型，两种模型的特征参数 值容易都能维持在理想的范围内，专用性好；
[0061]
染料浓度的预测误差小，双拼染色配方预测准确；
[0062]
获取合格染色数据要求的试验组少，建立数据库简单，极具应用前景。
[0063]
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的 研究和实践而为本领域的技术人员所理解。
附图说明
[0064]
图1为本发明提供的基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型构建方法 的流程图；
[0065]
图2为本发明提供的基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型构建方法 的一个实施例中的pos算法流程图。
具体实施方式
[0066]
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够 据以实施。
[0067]
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元 件或其组合的存在或添加。
[0068]
如图1所示，本发明提供一种基于pso
‑
lssvm的单色棉织物颜色和染料浓度预测模型 构建方法，包括以下步骤：
[0069]
s1：设计活性染料上染棉织物时的染色条件和一系列染料浓度，进行轧烘轧蒸染色试验；
[0070]
s2：测试各组染色条件的棉织物的颜色特征参数cie lab，剔除异常数据，记录合格染色 条件下染料浓度和颜色特征参数l*、a*和b*值，建立单个活性染料数据库；
[0071]
s3：从上述s2建立的单个活性染料数据库中随机选取4/5数据作为训练组，分别建立以 染料浓度为输入、染色织物颜色特征参数l*、a*和b*值为输出的颜色预测模型，和以染色织 物颜色特征参数l*、a*和b*值为输入染料浓度为输出的染料浓度预测模型；
[0072]
s4：用剩下的数据作为测试组，根据模型特征参数值rmse、e
p
、mae和r2综合判断模 型的质量。如果模型没定规定的质量要求，则返回s3；
[0073]
s5：用分光测色仪测定未知单色染色棉织物，将测得的颜色特征参数l*、a*和b*值输入 配方预测模型得到染料浓度；
[0074]
s6：再将染料浓度输入颜色预测模型得到颜色特征参数l*、a*和b*值，根据实验色样与 预测的颜色特征参数计算色差δe
ab
*；
[0075]
s7：比较各个单个活性染料数据库及其相应预测模型下计算的色差δe
ab
*，最小色差值 的染料浓度即为最佳预测染料浓度。
[0076]
上述步骤s1中染色条件为，氯化钠浓度为150
‑
200g/l，碳酸钠15
‑
25g/l，氢氧化钠4
‑
8 g/l，浸轧后织物带液率60
‑
75％，在110
‑
125℃热风下预烘100
‑
200s，在100
‑
102℃饱和蒸汽 下汽蒸120
‑
250s；上述步骤s1中染料浓度为0.01
‑
20g/l，按一定浓度梯度设计，共计15
‑
30 组；
[0077]
上述单个活性染料数据库中各组数据为同一染色条件下获得的；
[0078]
上述步骤s2中剔除异常数据方法为：对上述步骤s1中染制色样使用台式分光测色仪进 行测色，记录空白织物和各染料质量浓度梯度色样的光谱反射率曲线和k/s值曲线，
对出现 如曲线交叉和吸收峰错位等不规则曲线进行重新打样修正。
[0079]
上述步骤s3中建立的颜色预测模型和染料浓度预测模型时，参数设置为：粒子数 popsize＝20，最大迭代次数maxgen＝200，学习因子c1＝c2＝1.4，惯性权重 w∈[0.8，1.2]，正则化参数γ∈[0.1，1000]，核函数宽度σ2∈[0.1，100]，正则化参数γ 迭代速度v
γ
∈[
‑
500，500]，核函数宽度σ2迭代速度采用径向基核函数 (kernel＝
′
rbf_kernel
′
)，并以均方误差作为适应度函数(fitness()＝mse)，设定精度 ep＝10
‑3，满足设定精度或最大迭代次数则输出参数组，建立pso
‑
lssvm预测模型。
[0080]
上述步骤s4中模型特征参数值rmse计算值小于0.40，mae计算值小于0.35，e
p
计算 值大于90％，r2计算值大于99％，mae、rmse、e
p
和r2定义为：
[0081][0082][0083][0084][0085]
其中，n是样本数，y是实验值，是预测值，是样本平均值。
[0086]
上述步骤s7中δe
ab
*计算公式如下：
[0087][0088]
式中：δe
ab
*为实验色样与预测的颜色之间的总色差；δl*、δa*和δb*值为cie lab 色空间，其计算公式如下：
[0089]
l
*
＝116f(y/y
n
)
‑
16
[0090]
a
*
＝500[f(x/x
n
)
‑
f(y/y
n
)]
[0091]
b
*
＝200[f(y/y
n
)
‑
f(z/z
n
)]
[0092]
其中，x/x
n
、y/y
n
、z/z
n
需满足同时大于(6/29)3或同时小于等于(6/29)3。
[0093][0094]
上式中x、y、z为颜色样品的三刺激值；x
n
、y
n
、z
n
为cie标准照明体照射到完全漫反 射体表面再反射到观测者眼中的三刺激值。
[0095]
基于pso
‑
lssvm建立颜色预测模型和染料浓度预测模型，建模过程如下：
[0096]
(1)对染色效果参数和染色影响因素参数进行判断是否需要归一化处理，形成样
本矩阵， 划分训练集和测试集；
[0097]
(2)设定rbf核函数参数组(γ，σ2)的范围，通常γ∈[0.1，1000]，σ2∈[0.1，100]。设 置pso相关参数，利用pso算法对种群进行初始化；
[0098]
(3)确定适应度函数，以训练集计算粒子适应度值并进行比较，选择个体最优值pbest
id
和 全局最优gbest
d
，更新各粒子的位置和速度；
[0099]
(4)迭代寻优至满足结束条件(适应度值最小或最大迭代次数)；
[0100]
(5)输出全局最优值gbest
d
，即最优化参数组赋值给lssvm，导入训练集， 调用trainlssvm函数对所得参数进行训练，得到训练好的pso
‑
lssvm模型；
[0101]
(6)调用simlssvm函数对训练好的模型进行仿真，将测试集的输入矩阵代入预测模型， 仿真运算得到测试集的输出矩阵的预测值，采用评价指标与实验值进行比较，若仿真效果达 到预期则进行下一步，反之继续使用pso算法对参数组进行寻优。
[0102]
如图2所示，上述pso算法具体包括如下几个步骤：
[0103]
(1)首先需要针对所需建立的预测模型设置具体参数：群体规模m、粒子的维度n、最 大位置x
max
、最大速度v
max
、惯性权重w、学习因子c1和c2、最大迭代次数k
max
以及优化问题 的适应度函数fitness()，然后设置种群的初始信息，包括位置x
i
和速度v
i
；
[0104]
(2)根据目标函数计算各粒子适应度值，并评价每个粒子的适应度；
[0105]
(3)选择当前个体最优位置，对每个粒子当前的适应度值与其历史最佳位置 的适应度值fitness(pbest
id
)对比，若当前位置适应度值较高，则用当前位置更新历史最佳位置 [0106]
(4)选择当前群体最优位置，对每个粒子当前的适应度值与群体最佳位置的 适应度值fitness(gbest
d
)对比，若当前位置适应度值较高，则用当前位置更新群体最佳位置判断是否满足终止条件，满足则搜索停止，输出结果；不满足则继续下一步；
[0107]
(5)判断是否满足迭代结束条件，根据优化问题设置迭代结束条件，如不满足结束条件， 则返回第二步骤重新计算；
[0108]
(6)若满足输出条件，则输出全局最佳位置gbest
d
，并停止搜索。
[0109]
上述涉及lssvm的算法原理和具体步骤为：给定一组训练数据集{(xi，yi)，i＝1，2，n}， 其中，n是训练样本数量；xi∈r
d
是输入矩阵，d是矩阵的维度；yi∈r是输出矩阵。然后通过 一个非线性映射φ(x)，将训练数据集从原始空间映射到高维特征空间，lssvm的决策函数 如下所示：
[0110][0111]
式中：w是权重向量，常数b是偏置项。lssvm的优化问题如下：
[0112][0113]
式中：γ是正则化参数，ξ是误差变量，相比于svm算法，其约束条件有所不同，变为 如下形式：
[0114][0115]
将支持向量机的不等式约束改为等式约束，构造拉格朗日函数l进行求解：
[0116][0117]
式中：αi为拉格朗日乘子。根据karush
‑
kuhn
‑
tucker(kkt)条件，得到如下等式约束条 件：
[0118][0119]
接着，由式(3.5)消去w和ξ得到如下线性方程组：
[0120][0121]
式中：i是单位矩阵；α是支持向量；其他如下：
[0122][0123]
用ω表示核矩阵内积，核函数技巧如下：
[0124][0125]
最终得到lssvm的决策函数即回归模型如下：
[0126][0127]
式中：α和b由式(3.6)求解得。在实际建模过程中，α和b是在matlab平台中通过 应用lssvm工具箱编程运算得到，支持向量α是一个n行1列的矩阵。
[0128]
用丽华实红进行染色，采用轧
‑
烘
‑
轧
‑
蒸染色工艺流程：浸轧染液(二浸二轧，带液 率60％)
→
预烘120s(120℃热风)
→
浸轧固色液(二浸二轧，带液率70％，氯化钠180g/l， 碳酸钠25g/l，氢氧化钠6g/l)
→
汽蒸150s(100～102℃，饱和蒸汽)
→
冷水洗
→
热水洗
ꢀ→
皂洗(标准皂片3g/l，浴比为1：50，90℃处理10min)
→
热水洗
→
冷水洗
→
烘干。
[0129]
单色数据库共设置25个染料质量浓度梯度(0.01，0.05，0.10，0.50，1.00，1.25，1.5， 1.75，2.00，2.50，3.00，3.50，4.00，4.50，5.00，5.50，6.00，7.00，8.00，10.00，12.00，14.00， 17.00，19.00，20.00)，浓度单位为g/l。
[0130]
对染制色样使用台式分光测色仪x
‑
rite color i5进行测色，记录空白织物和各
染料质量浓 度梯度色样的光谱反射率曲线和k/s值曲线，对出现如曲线交叉和吸收峰错位等不规则曲线 进行重新打样修正。将所有符合色样的信息存储起来，建立专用单色数据库，供建立颜色预 测模型和配色模型使用。
[0131]
使用台式分光测色仪x
‑
rite color i5在测量孔径φ6mm，d65标准光源，10
°
视角下测 试色样的l*值、a*值和b*值。将一块色样折叠成两层，在每个面选取一个测量点，共四个测 量点，用四个测量点数据的平均值代表此块色样的颜色。
[0132]
基于pso
‑
lssvm建立颜色预测模型和染料浓度预测模型，建模过程如下：
[0133]
(1)对染色效果参数和染色影响因素参数进行判断是否需要归一化处理，形成样本矩阵， 划分训练集和测试集；
[0134]
(2)设定rbf核函数参数组(γ，σ2)的范围，通常γ∈[0.1，1000]，σ2∈[0.1，100]。设 置pso相关参数，利用pso算法对种群进行初始化；
[0135]
(3)确定适应度函数，以训练集计算粒子适应度值并进行比较，选择个体最优值pbest
id
和 全局最优gbest
d
，更新各粒子的位置和速度；
[0136]
(4)迭代寻优至满足结束条件(适应度值最小或最大迭代次数)；
[0137]
(5)输出全局最优值gbest
d
，即最优化参数组赋值给lssvm，导入训练集， 调用trainlssvm函数对所得参数进行训练，得到训练好的pso
‑
lssvm染色效果预测模型；
[0138]
(6)调用simlssvm函数对训练好的模型进行仿真，将测试集的输入矩阵代入预测模型， 仿真运算得到测试集的输出矩阵的预测值，采用评价指标与实验值进行比较，若仿真效果达 到预期则进行下一步，反之继续使用pso算法对参数组进行寻优。
[0139]
在建立上述颜色预测模型和颜色预测模型过程中，需要做以下几个说明：
[0140]
(1)输入变量和输出变量
[0141]
对于颜色预测模型，输入变量为染料质量浓度，输出变量为cielab均匀色彩空间中的 l*值、a*值和b*值，由于输出变量有三个，因此一种染料有三个不同的pso
‑
lssvm模型， 即有三组参数组。
[0142]
三组参数组共用一个训练集和测试集；
[0143]
对于颜色预测模型，输入变量为cielab均匀色彩空间中的l*值、a*值和b*值，输出变 量为染料质量浓度；
[0144]
(2)参数设置
[0145]
pso参数经过多次仿真验证后，模型的具体设置为：粒子数popsize＝20，最大迭代次数 maxgen＝200，学习因子c1＝c2＝1.4，惯性权重w∈[0.8，1.2]，正则化参数 γ∈[0.1，1000]，核函数宽度σ2∈[0.1，100]，正则化参数γ迭代速度v
γ
∈[
‑
500，500]， 核函数宽度σ2迭代速度采用径向基核函数(kernel＝
′
rbf_kernel
′
)，并 以均方误差作为适应度函数(fitness()＝mse)，设定精度ep＝10
‑3，满足设定精度或最大 迭代次数则输出参数组，建立pso
‑
lssvm预测模型。
[0146]
(3)样本划分
[0147]
一个单色数据库共25个色样，选择其中20组作为训练集，剩余5组作为测试集。颜色 预测模型和配色模型采用相同的训练集和测试集，只是输入矩阵和输出矩阵不同。从中
任选 20组数据作为pso
‑
lssvm训练数据，剩余5组数据作为pso
‑
lssvm测试数据；基于 matlab r2016b软件平台，结合lssvm工具箱(1.8版本)，调整代码，导入染色实验数据 进行染色模型的建立。将20组数据对pso
‑
lssvm训练数据颜色预测模型内含3个子模型， 依次为pso
‑
lssvm
‑
l、pso
‑
lssvm
‑
a和pso
‑
lssvm
‑
b，分别得到三组模型参数组(γ，σ2)； 将剩余5组数据对pso
‑
lssvm模型进行测试，得到颜色预测模型的4个评价指标mae、 rmse、e
p
和r2。
[0148]
在染料配色预测模型的构建中，训练集和测试集与颜色预测模型相同，只是输入矩阵和 输出矩阵不同，以染色试样的颜色参数cielab的l*值、a*值和b*值作为输入矩阵，染料浓 度作为输出矩阵。选取同样的20组数据作为pso
‑
lssvm训练数据，剩余5组数据作为 pso
‑
lssvm测试数据，建模过程与颜色预测模型相同。
[0149]
颜色预测模型实验效果验证：
[0150]
为进一步证明颜色预测模型的可靠性，计算色差值δe
ab
*，以此来进一步检验染色预测 模型的精确程度。每一组测试集的颜色参数的l*值、a*值和b*值的预测值称为一组预测样本。 表1为颜色预测模型的5组测试样本和预测样本之间的色差值和颜色。
[0151]
表1丽华实红测试样本和预测样本的颜色参数
[0152][0153]
对于纺织布品而言，当色差0≤δe
ab
*≤0.5时，几乎感觉不到色差，当色差 0.5＜δe
ab
*≤1.5时，色差感觉很小。5组测试数据的色差δe
ab
*在[0.33，0.94]范围内，色 差都小于1。由表1可知，色差最大的一组中，造成误差的最大因素为红色度a*，误差仅为 0.85，视觉几乎感受不到实验值和预测值之间的色差。色差结果表明颜色预测模型的预测结果 非常理想，与测色仪测得的颜色参数基本相同。
[0154]
染料配色预测模型实验效果验证：
[0155]
同一染料验证：将预测得到的丽华实红质量浓度采用相同染色工艺进行染色，相同的颜 色参数测试方法获得染制色样颜色参数cielab的l*值、a*值和b*值，如表2所示。
[0156]
表2丽华实红测试样本和预测样本的颜色参数
[0157][0158]
由表2可知，基于染料配色预测模型预测得到的丽华实红质量浓度染制色样的颜色参数 和测试样本的颜色参数均非常接近，5组测试数据的色差δe
ab
*在[0.46，1.22]范围内，均小 于1.5，色差感觉很小。
[0159]
不同染料验证：选用色相相近的染料进行试验(此处为雷马素红rgb)，染色后得到试验 色样，测得颜色参数，代入染料配色预测模型得到的预测浓度，使用丽华实红在预测浓度下 采用轧烘轧蒸工艺进行染制，测得颜色参数，与原色样进行色差比较，检验模型的专用性， 如表3所示。
[0160]
表3 pso
‑
lssvm7专用性验证
[0161][0162]
由表3可知，丽华实红根据染料配色预测模型预测结果，进行染制所得色样的颜色参数 与原色样的颜色参数相差很大，色差δe
ab
*均大于6.0，根据nbs(美国国家标准局的缩写) 色差标准可知，色样之间均为大色差，配色结果是不可接受的，更不用说配色色差满足小于 1.5的要求。说明染料配色预测模型有很高的专用性，不适用于其它染料配色，即使是采用相 似色相的同类染料，也会产生很大的误差。
[0163]
由上可知：本发明是基于pso
‑
lssvm算法和单个活性染料数据库建立的颜色预测模型 和染料浓度预测模型，模型预测质量高，稳定性好，泛化能力强，构筑的模型和单个活性染 料数据库染料专用性好，在预测未知单色染色织物配方时，染料浓度的预测误差小，配方准 确，是计算机测配色的一种全新、高效、准确的方法。
[0164]
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用， 它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易
地实现另 外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的 细节。