CN111080739A - 一种基于bp神经网络的bi配色方法及系统 - Google Patents
一种基于bp神经网络的bi配色方法及系统 Download PDFInfo
- Publication number
- CN111080739A CN111080739A CN201911365727.9A CN201911365727A CN111080739A CN 111080739 A CN111080739 A CN 111080739A CN 201911365727 A CN201911365727 A CN 201911365727A CN 111080739 A CN111080739 A CN 111080739A
- Authority
- CN
- China
- Prior art keywords
- color matching
- matching model
- effect
- training
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 124
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000004913 activation Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 230000006866 deterioration Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于BP神经网络的BI配色方法，涉及BI配色技术领域，其实现包括：收集现有效果图，根据效果图对应的客户需求增加标签；采集配色方案数据，提取效果图中主要配色的RGB值，效果图主要配色的RGB值作为训练样本；建立基于BP神经网络的BI配色模型，将效果图的标签作为BI配色模型的输入数据，将效果图中主要配色的RGB值作为BI配色模型的输出数据，训练BI配色模型；验证BI配色模型的输出结果是否具有实用性，在不具有实用性时，优化BI配色模型。本方法通过优化得到的BI配色模型可以根据标签自动导出配色方案，给UI设计师提供基础的配色依据。本发明还公开一种基于BP神经网络的BI配色系统，其可以自动导出配色方案，帮助UI设计师提高工作效率。
Description
技术领域
本发明涉及BI配色技术领域，具体的说是一种基于BP神经网络的BI配色方法及系统。
背景技术
随着信息技术的迅速发展，大数据时代已经来临。越来越多的政府、企业需要借助多维度的数据分析开展工作，因此，数据可视化工具BI的使用也愈加广泛。而优秀的BI的配色方案不仅可以满足客户的审美需求，更可以突出数据本身的信息价值。研究BI配色方案系统，可以为设计师提供基本的配色方案，协助设计师迅速输出效果图，提升BI工具的开发进度。
发明内容
本发明针对目前技术发展的需求和不足之处，提供一种基于BP神经网络的BI配色方法及系统。
首先，本发明提供一种基于BP神经网络的BI配色方法，解决上述技术问题采用的技术方案如下：
一种基于BP神经网络的BI配色方法，该方法的实现包括：
步骤1、收集现有效果图，根据效果图对应的客户需求增加标签；
步骤2、采集配色方案数据，提取效果图中主要配色的RGB值，效果图主要配色的RGB值作为训练样本；
步骤3、建立基于BP神经网络的BI配色模型，随后利用步骤1中效果图的标签作为BI配色模型的输入数据，将步骤2效果图中主要配色的RGB值作为BI配色模型的输出数据，训练BI配色模型；
步骤4、验证BI配色模型的输出结果是否具有实用性，
a)输出结果具有实用性，则说明BI配色模型合格；
b)输出结果不具有实用性，则说明BI配色模型不合格，继续执行步骤5；
步骤5、对BI配色模型进行优化，将客户需求的标签输入最终优化的BI配色模型，最终优化的BI配色模型输出与输入标签相对应的效果图主要配色的RGB值。
在步骤1中，收集现有效果图，根据效果图对应的客户需求增加标签，其具体操作包括：
步骤1.1、收集现有效果图，分析效果图对应的客户属性；
步骤1.2、根据分析结果，为效果图增加标签，所述标签包括客户属性标签、风格标签、主色调标签，且所述主色调标签包含至少三种颜色。
在步骤2中，采集配色方案数据，提取效果图中主要配色的RGB值，其具体操作包括：
使用Photoshop或其他绘图工具对效果图进行分析，依次提取效果图中的占比超过设定阈值的至少三种颜色的RGB值。
在步骤3，建立并训练BI配色模型的具体过程包括：
步骤3.1、基于BP神经网络的输入层、隐含层及输出层三层结构，建立BI配色模型；
步骤3.2、在步骤3.1建立的BI配色模型中引入训练算法，将步骤1中效果图的标签输入BI配色模型，BI配色模型输出效果图中主要配色的RGB值；
步骤3.3、将步骤2提取效果图中主要配色的RGB值与步骤3.2中BI配色模型的输出结果进行对比，根据对比结果调整BI配色模型；
步骤3.4、设定提取RGB值与输出结果的对比相似度，基于不同的效果图，循环执行步骤3.2-步骤3.3，至对比结果超过设定的对比相似度，完成BI配色模型的训练。
在建立并训练BI配色模型的过程中，BP神经网络的隐含层为单隐层，隐层节点数设定为7，引入的训练算法设定为贝叶斯正则化算法。
步骤5中，对BI配色模型进行优化，具体优化包括：
步骤5.1、扩大训练样本，进行训练样本的优化；
步骤5.2、通过试凑法调整刚建立BI配色模型的隐含层数及隐层节点数，进行隐含层数及隐层节点数的优化；
步骤5.3、使用粒子群优化算法对刚建立BI配色模型的初始阈值及权重的选取做优化；
步骤5.4、将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数，进行激活函数的优化；
步骤5.5、在刚建立BI配色模型中加入“提前停止”的设定，防止BP神经网络和训训练样本过度拟合、泛化预测能力变差。
其次，本发明还提供一种基于BP神经网络的BI配色系统，解决上述技术问题采用的技术方案如下：
一种基于BP神经网络的BI配色系统，其包括：
收集标记模块，用于收集现有效果图，并根据效果图对应的客户需求增加标签，效果图的标签作为训练样本；
采集提取模块，用于采集配色方案数据，并提取效果图中主要配色的RGB值，效果图主要配色的RGB值作为训练样本；
构建模块，基于BP神经网络构建BI配色模型；
训练模块，用于将收集标记模块的效果图标签作为BI配色模型的输入数据，将采集提取模块的效果图中主要配色的RGB值作为BI配色模型的输出数据，训练BI配色模型；
输入输出模块，用于将效果图标签输入BI配色模型，进而将BI配色模型的输出结果发送至设定验证模块；
设定验证模块，用于设定BI配色模型具有实用性的阈值，并基于采集提取模块提取效果图主要配色的RGB值，验证输入输出模块的输出结果是否满足具有实用性的阈值；
优化模块，在设定验证模块的验证结果不具有实用性时，用于优化BI配色模型，得到最终优化的BI配色模型，最终优化BI配色模型的输出结果满足设定阈值。
可选的，所涉及收集标记模块通过如下操作为效果图增加标签：
收集现有效果图，分析效果图对应的客户属性；
根据分析结果，为效果图增加标签，所述标签包括客户属性标签、风格标签、主色调标签，且所述主色调标签包含至少三种颜色；
随后，所述采集提取模块使用Photoshop或其他绘图工具对效果图进行分析，依次提取效果图中的占比超过设定阈值的至少三种颜色的RGB值。
可选的，所涉及构建模块基于BP神经网络的输入层、隐含层及输出层三层结构，建立BI配色模型；
所涉及训练模块训练BI配色模型的过程包括：
首先，在BI配色模型中引入训练算法，将效果图的标签输入BI配色模型，BI配色模型输出效果图中主要配色的RGB值；
其次，将采集提取模块提取效果图中主要配色的RGB值与BI配色模型的输出结果进行对比，根据对比结果调整BI配色模型；
最后，在对比结果满足设定验证模块设定的阈值时，完成BI配色模型的训练。
可选的，所涉及优化模块在设定验证模块的验证结果不具有实用性时，通过以下措施优化BI配色模型：
扩大训练样本，进行训练样本的优化；
通过试凑法调整BI配色模型的隐含层数及隐层节点数，进行隐含层数及隐层节点数的优化；
使用粒子群优化算法对BI配色模型的初始阈值及权重的选取做优化；
将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数，进行激活函数的优化；
在构建模块构建BI配色模型时加入“提前停止”的设定，防止BP神经网络和训训练样本过度拟合、泛化预测能力变差。
本发明的一种基于BP神经网络的BI配色方法及系统，与现有技术相比具有的有益效果是：
本发明通过现有效果图的标签和主要配色的RGB值训练得到BI配色模型，进而通过BI配色模型实现由客户需求自动导出配色方案的效果，给UI设计师提供基础的配色依据，帮助其提高输出效果图的效率。
附图说明
附图1是本发明实施例一的方法流程图
附图2是本发明实施例二的结构连接框图。
附图中各标号信息表示：
1、收集标记模块，2、采集提取模块，3、构建模块，4、训练模块，
5、输入输出模块，6、设定验证模块，7、优化模块，8、BI配色模型。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。
实施例一：
结合附图1，本实施例提出一种基于BP神经网络的BI配色方法，该方法的实现包括：
步骤1、收集现有效果图，根据效果图对应的客户需求增加标签，效果图的标签作为训练样本进行存储。其具体执行操作包括：
步骤1.1、收集现有效果图，分析效果图对应的客户属性；
步骤1.2、根据分析结果，为效果图增加标签，所述标签包括客户属性标签、风格标签、主色调标签，且所述主色调标签包含四种颜色，通常，主色调标签包含四中颜色。客户属性标签可以是“政府”、“企业”、“事业单位”、“科研院所”、“公益组织”、“个人”等；风格标签可以是“明快”、“科技”、“严谨”、“商业”等；主色调标签可以是“蓝色”、“金黄色”、“绿色”等。为效果图增加的标签需尽量详细，实际过程中，还可以继续增加其他维度的标签，标签也可全部使用英文表示。
步骤2、采集配色方案数据，提取效果图中主要配色的RGB值，效果图主要配色的RGB值作为训练样本进行存储。这一步骤的具体实现过程为：
使用Photoshop或其他绘图工具对效果图进行分析，依次提取效果图中的占比超过设定阈值的四种颜色的RGB值。
步骤3、建立基于BP神经网络的BI配色模型8，随后利用步骤1中效果图的标签作为BI配色模型8的输入数据，将步骤2效果图中主要配色的RGB值作为BI配色模型8的输出数据，训练BI配色模型8。建立并训练BI配色模型8的具体过程包括：
步骤3.1、基于BP神经网络的输入层、隐含层及输出层三层结构，建立BI配色模型8；其中BP神经网络的隐含层为单隐层，隐层节点数设定为7；
步骤3.2、在步骤3.1建立的BI配色模型8中引入训练算法，引入的训练算法设定为贝叶斯正则化算法，将步骤1中效果图的标签输入BI配色模型8，BI配色模型8输出效果图中主要配色的RGB值；
步骤3.3、将步骤2提取效果图中主要配色的RGB值与步骤3.2中BI配色模型8的输出结果进行对比，根据对比结果调整BI配色模型8；
步骤3.4、设定提取RGB值与输出结果的对比相似度，基于不同的效果图，循环执行步骤3.2-步骤3.3，至对比结果超过设定的对比相似度，完成BI配色模型8的训练。
步骤4、验证BI配色模型8的输出结果是否具有实用性，
a)输出结果具有实用性，则说明BI配色模型8合格；
b)输出结果不具有实用性，则说明BI配色模型8不合格，继续执行步骤5；
步骤5、对BI配色模型8进行优化，将客户需求的标签输入最终优化的BI配色模型8，最终优化的BI配色模型8输出与输入标签相对应的效果图主要配色的RGB值。在这一步骤中，对BI配色模型8进行优化的具体内容包括：
步骤5.1、扩大训练样本，进行训练样本的优化；
步骤5.2、通过试凑法调整刚建立BI配色模型8的隐含层数及隐层节点数，进行隐含层数及隐层节点数的优化；
步骤5.3、使用粒子群优化算法对刚建立BI配色模型8的初始阈值及权重的选取做优化；
步骤5.4、将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数，进行激活函数的优化；
步骤5.5、在刚建立BI配色模型8中加入“提前停止”的设定，防止BP神经网络和训训练样本过度拟合、泛化预测能力变差。
实施例二：
结合附图2，本实施例提出一种基于BP神经网络的BI配色系统，其包括：
收集标记模块1，用于收集现有效果图，并根据效果图对应的客户需求增加标签，效果图的标签作为训练样本；
采集提取模块2，用于采集配色方案数据，并提取效果图中主要配色的RGB值，效果图主要配色的RGB值作为训练样本；
构建模块3，基于BP神经网络构建BI配色模型8；
训练模块4，用于将收集标记模块1的效果图标签作为BI配色模型8的输入数据，将采集提取模块2的效果图中主要配色的RGB值作为BI配色模型8的输出数据，训练BI配色模型8；
输入输出模块5，用于将效果图标签输入BI配色模型8，进而将BI配色模型8的输出结果发送至设定验证模块6；
设定验证模块6，用于设定BI配色模型8具有实用性的阈值，并基于采集提取模块2提取效果图主要配色的RGB值，验证输入输出模块5的输出结果是否满足具有实用性的阈值；
优化模块7，在设定验证模块6的验证结果不具有实用性时，用于优化BI配色模型8，得到最终优化的BI配色模型8，最终优化BI配色模型8的输出结果满足设定阈值。
在本实施例中，所涉及收集标记模块1通过如下操作为效果图增加标签：
收集现有效果图，分析效果图对应的客户属性；
根据分析结果，为效果图增加标签，所述标签包括客户属性标签、风格标签、主色调标签，且所述主色调标签包含至少三种颜色；具体的，客户属性标签可以是“政府”、“企业”、“事业单位”、“科研院所”、“公益组织”、“个人”等；风格标签可以是“明快”、“科技”、“严谨”、“商业”等；主色调标签可以是“蓝色”、“金黄色”、“绿色”等。为效果图增加的标签需尽量详细，实际过程中，还可以继续增加其他维度的标签，标签也可全部使用英文表示；
随后，所述采集提取模块2使用Photoshop或其他绘图工具对效果图进行分析，依次提取效果图中的占比超过设定阈值的至少三种颜色的RGB值。
在本实施例中，所涉及构建模块3基于BP神经网络的输入层、隐含层及输出层三层结构，建立BI配色模型8；
所涉及训练模块4训练BI配色模型8的过程包括：
首先，在BI配色模型8中引入训练算法，将效果图的标签输入BI配色模型8，BI配色模型8输出效果图中主要配色的RGB值；
其次，将采集提取模块2提取效果图中主要配色的RGB值与BI配色模型8的输出结果进行对比，根据对比结果调整BI配色模型8；
最后，在对比结果满足设定验证模块6设定的阈值时，完成BI配色模型8的训练。
在本实施例中，所涉及优化模块7在设定验证模块6的验证结果不具有实用性时，通过以下措施优化BI配色模型8：
扩大训练样本，进行训练样本的优化；
通过试凑法调整BI配色模型8的隐含层数及隐层节点数，进行隐含层数及隐层节点数的优化；
使用粒子群优化算法对BI配色模型8的初始阈值及权重的选取做优化；
将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数，进行激活函数的优化；
在构建模块3构建BI配色模型8时加入“提前停止”的设定，防止BP神经网络和训训练样本过度拟合、泛化预测能力变差。
综上可知，采用本发明的一种基于BP神经网络的BI配色方法及系统，通过现有效果图的标签和主要配色的RGB值训练得到BI配色模型8，进而通过BI配色模型8实现由客户需求自动导出配色方案的效果，给UI设计师提供基础的配色依据，帮助其提高输出效果图的效率。
基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。
Claims (10)
1.一种基于BP神经网络的BI配色方法，其特征在于,该方法的实现包括：
步骤1、收集现有效果图，根据效果图对应的客户需求增加标签；
步骤2、采集配色方案数据，提取效果图中主要配色的RGB值，效果图主要配色的RGB值作为训练样本；
步骤3、建立基于BP神经网络的BI配色模型，随后利用步骤1中效果图的标签作为BI配色模型的输入数据，将步骤2效果图中主要配色的RGB值作为BI配色模型的输出数据，训练BI配色模型；
步骤4、验证BI配色模型的输出结果是否具有实用性，
a)输出结果具有实用性，则说明BI配色模型合格；
b)输出结果不具有实用性，则说明BI配色模型不合格，继续执行步骤5；
步骤5、对BI配色模型进行优化，将客户需求的标签输入最终优化的BI配色模型，最终优化的BI配色模型输出与输入标签相对应的效果图主要配色的RGB值。
2.根据权利要求1所述的一种基于BP神经网络的BI配色方法，其特征在于，在步骤1中，收集现有效果图，根据效果图对应的客户需求增加标签，其具体操作包括：
步骤1.1、收集现有效果图，分析效果图对应的客户属性；
步骤1.2、根据分析结果，为效果图增加标签，所述标签包括客户属性标签、风格标签、主色调标签，且所述主色调标签包含至少三种颜色。
3.根据权利要求2所述的一种基于BP神经网络的BI配色方法，其特征在于，在步骤2中，采集配色方案数据，提取效果图中主要配色的RGB值，其具体操作包括：
使用Photoshop或其他绘图工具对效果图进行分析，依次提取效果图中的占比超过设定阈值的至少三种颜色的RGB值。
4.根据权利要求3所述的一种基于BP神经网络的BI配色方法，其特征在于，在步骤3，建立并训练BI配色模型的具体过程包括：
步骤3.1、基于BP神经网络的输入层、隐含层及输出层三层结构，建立BI配色模型；
步骤3.2、在步骤3.1建立的BI配色模型中引入训练算法，将步骤1中效果图的标签输入BI配色模型，BI配色模型输出效果图中主要配色的RGB值；
步骤3.3、将步骤2提取效果图中主要配色的RGB值与步骤3.2中BI配色模型的输出结果进行对比，根据对比结果调整BI配色模型；
步骤3.4、设定提取RGB值与输出结果的对比相似度，基于不同的效果图，循环执行步骤3.2-步骤3.3，至对比结果超过设定的对比相似度，完成BI配色模型的训练。
5.根据权利要求4所述的一种基于BP神经网络的BI配色方法，其特征在于，在建立并训练BI配色模型的过程中，BP神经网络的隐含层为单隐层，隐层节点数设定为7，引入的训练算法设定为贝叶斯正则化算法。
6.根据权利要求4所述的一种基于BP神经网络的BI配色方法，其特征在于，步骤5中，对BI配色模型进行优化，具体优化包括：
步骤5.1、扩大训练样本，进行训练样本的优化；
步骤5.2、通过试凑法调整刚建立BI配色模型的隐含层数及隐层节点数，进行隐含层数及隐层节点数的优化；
步骤5.3、使用粒子群优化算法对刚建立BI配色模型的初始阈值及权重的选取做优化；
步骤5.4、将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数，进行激活函数的优化；
步骤5.5、在刚建立BI配色模型中加入“提前停止”的设定，防止BP神经网络和训训练样本过度拟合、泛化预测能力变差。
7.一种基于BP神经网络的BI配色系统，其特征在于，其包括：
收集标记模块，用于收集现有效果图，并根据效果图对应的客户需求增加标签，效果图的标签作为训练样本；
采集提取模块，用于采集配色方案数据，并提取效果图中主要配色的RGB值，效果图主要配色的RGB值作为训练样本；
构建模块，基于BP神经网络构建BI配色模型；
训练模块，用于将收集标记模块的效果图标签作为BI配色模型的输入数据，将采集提取模块的效果图中主要配色的RGB值作为BI配色模型的输出数据，训练BI配色模型；
输入输出模块，用于将效果图标签输入BI配色模型，进而将BI配色模型的输出结果发送至设定验证模块；
设定验证模块，用于设定BI配色模型具有实用性的阈值，并基于采集提取模块提取效果图主要配色的RGB值，验证输入输出模块的输出结果是否满足具有实用性的阈值；
优化模块，在设定验证模块的验证结果不具有实用性时，用于优化BI配色模型，得到最终优化的BI配色模型，最终优化BI配色模型的输出结果满足设定阈值。
8.根据权利要求7所述的一种基于BP神经网络的BI配色系统，其特征在于，所述收集标记模块通过如下操作为效果图增加标签：
收集现有效果图，分析效果图对应的客户属性；
根据分析结果，为效果图增加标签，所述标签包括客户属性标签、风格标签、主色调标签，且所述主色调标签包含至少三种颜色；
随后，所述采集提取模块使用Photoshop或其他绘图工具对效果图进行分析，依次提取效果图中的占比超过设定阈值的至少三种颜色的RGB值。
9.根据权利要求8所述的一种基于BP神经网络的BI配色系统，其特征在于，所述构建模块基于BP神经网络的输入层、隐含层及输出层三层结构，建立BI配色模型；
所述训练模块训练BI配色模型的过程包括：
首先，在BI配色模型中引入训练算法，将效果图的标签输入BI配色模型，BI配色模型输出效果图中主要配色的RGB值；
其次，将采集提取模块提取效果图中主要配色的RGB值与BI配色模型的输出结果进行对比，根据对比结果调整BI配色模型；
最后，在对比结果满足设定验证模块设定的阈值时，完成BI配色模型的训练。
10.根据权利要求7所述的一种基于BP神经网络的BI配色系统，其特征在于，所述优化模块在设定验证模块的验证结果不具有实用性时，通过以下措施优化BI配色模型：
扩大训练样本，进行训练样本的优化；
通过试凑法调整BI配色模型的隐含层数及隐层节点数，进行隐含层数及隐层节点数的优化；
使用粒子群优化算法对BI配色模型的初始阈值及权重的选取做优化；
将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数，进行激活函数的优化；
在构建模块构建BI配色模型时加入“提前停止”的设定，防止BP神经网络和训训练样本过度拟合、泛化预测能力变差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911365727.9A CN111080739B (zh) | 2019-12-26 | 2019-12-26 | 一种基于bp神经网络的bi配色方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911365727.9A CN111080739B (zh) | 2019-12-26 | 2019-12-26 | 一种基于bp神经网络的bi配色方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080739A true CN111080739A (zh) | 2020-04-28 |
| CN111080739B CN111080739B (zh) | 2023-05-09 |
Family
ID=70318038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911365727.9A Active CN111080739B (zh) | 2019-12-26 | 2019-12-26 | 一种基于bp神经网络的bi配色方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080739B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113345053A (zh) * | 2021-06-30 | 2021-09-03 | 北京华录新媒信息技术有限公司 | 一种智能配色方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5590251A (en) * | 1993-08-06 | 1996-12-31 | Toyota Jidosha Kabushiki Kaisha | Color reproducing device for reproducing matched colors and an outputting device for outputting information for reproducing a color of a coated surface |
| CN104504716A (zh) * | 2014-12-31 | 2015-04-08 | 广州厚邦木业制造有限公司 | 基于bp神经网络的实木地板油漆自动配色方法 |
| CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
-
2019
- 2019-12-26 CN CN201911365727.9A patent/CN111080739B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5590251A (en) * | 1993-08-06 | 1996-12-31 | Toyota Jidosha Kabushiki Kaisha | Color reproducing device for reproducing matched colors and an outputting device for outputting information for reproducing a color of a coated surface |
| CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
| CN104504716A (zh) * | 2014-12-31 | 2015-04-08 | 广州厚邦木业制造有限公司 | 基于bp神经网络的实木地板油漆自动配色方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王莹;张秉森;: "基于OWO-HWO算法的MLP网络在织物染色配色中的应用" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113345053A (zh) * | 2021-06-30 | 2021-09-03 | 北京华录新媒信息技术有限公司 | 一种智能配色方法及系统 |
| CN113345053B (zh) * | 2021-06-30 | 2023-12-26 | 北京华录新媒信息技术有限公司 | 一种智能配色方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080739B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458077B (zh) | 一种车辆颜色识别方法及系统 | |
| CN107506822B (zh) | 一种基于空间融合池化的深度神经网络方法 | |
| CN107480707B (zh) | 一种基于信息无损池化的深度神经网络方法 | |
| CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
| CN110489749B (zh) | 一种智能办公自动化系统的业务流程优化方法 | |
| CN111210170B (zh) | 基于90％用电分布特征指标的环保管控监测及评价方法 | |
| CN108229578B (zh) | 基于数据、信息和知识三层图谱架构的图像数据目标识别方法 | |
| CN110188217A (zh) | 图像查重方法、装置、设备和计算机可读储存介质 | |
| CN111967930A (zh) | 一种基于多网络融合的服装风格识别推荐方法 | |
| CN107392982A (zh) | 在线设计方法、装置及系统 | |
| CN110888859A (zh) | 一种基于组合深度神经网络的连接基数估计方法 | |
| CN111581390A (zh) | 一种知识图谱的构建方法、装置以及电子设备 | |
| CN111080739B (zh) | 一种基于bp神经网络的bi配色方法及系统 | |
| CN112818229A (zh) | 基于家居空间的饰品推荐方法、系统、装置及介质 | |
| CN112365139A (zh) | 一种图卷积神经网络下的人群危险程度分析方法 | |
| CN116257877A (zh) | 一种面向隐私计算的数据分类分级方法 | |
| CN112765313B (zh) | 一种基于原文和评论信息分析算法的虚假信息检测方法 | |
| CN110675121A (zh) | 图片类案卷材料的采集方法 | |
| CN112199287B (zh) | 基于强化混合专家模型的跨项目软件缺陷预测方法 | |
| CN110968596A (zh) | 一种基于标签系统的数据处理方法 | |
| CN115510241A (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
| US11756239B2 (en) | Multi-modal image color segmenter and editor | |
| CN101799929B (zh) | 指定颜色层提取设备和方法 | |
| CN113642557A (zh) | 一种适航领域历史数据补录系统及方法 | |
| CN115409541A (zh) | 基于数据血缘的卷烟品牌数据处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230413 Address after: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Applicant after: Inspur Genersoft Co.,Ltd. Address before: 250100 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech District, Shandong Province Applicant before: SHANDONG INSPUR GENESOFT INFORMATION TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |