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

技术特征：
1.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，其特征在于，包括以下步骤：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；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；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；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；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。2.如权利要求1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，其特征在于，获取单色织物合格染色数据包括：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；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；其中，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
‑
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；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；各染色制样的染色条件相同；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。3.如权利要求2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，其特征在于，所述pso算法包括：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ω、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()；设置种群的初始信息，包括位置x
i
和速度v
i
；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；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
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；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；若满足输出条件，则输出全局最佳位置gbest
d
，并停止搜索。4.如权利要求3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，其特征在于，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：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；其中，rmse计算值要小于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％。5.如权利要求4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，其特征在于，mae、rmse、e
p
和r2定义为：定义为：定义为：定义为：其中，n是样本数，y是实验值，是预测值，是样本平均值。

技术总结
本发明提供一种基于PSO


技术研发人员：宁金妍
受保护的技术使用者：上海大学
技术研发日：2021.07.26
技术公布日：2021/10/23