模型训练方法、色彩配方的预测方法、系统、设备及介质

摘要

本发明公开了一种模型训练方法、色彩配方的预测方法、系统、设备及介质，该模型训练方法包括：获取一历史训练数据集，该历史训练数据集包括色彩数据以及与色彩数据对应的配方数据；构建局部线性网络模型；基于历史训练数据集训练所述局部线性网络模型，以得到训练后的局部线性网络模型；训练后的局部线性网络模型以色彩数据作为输入，以预测配方数据为输出。本发明通过获取色彩数据以及与色彩数据对应的配方数据的历史训练数据集，基于历史训练数据集对构建的局部线性网络模型进行训练，以得到训练后的局部线性网络模型；以便利用训练后的局部线性网络模型精准地预测出对应的配方数据，提高了局部线性网络模型的预测精准度。

权利要求

1.一种模型训练方法，其特征在于，所述模型训练方法包括：获取一历史训练数据集，所述历史训练数据集包括色彩数据以及与所述色彩数据对应的配方数据；

对所述历史训练数据集进行建模分析，以得到与色彩相关的测量数据以及与色彩无关的环境数据；

对所述测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据；

对所述环境数据进行类型区分处理，以得到类型区分后的环境数据；

对所述去相关性换算后的测量数据和所述类型区分后的环境数据进行合并规整处理，以得到合并规整处理后的历史训练数据集；

采用数据筛选及拟合算法构建局部线性网络模型；

基于所述合并规整处理后的历史训练数据集训练所述局部线性网络模型，以得到训练后的局部线性网络模型；

所述训练后的局部线性网络模型以所述色彩数据作为输入，以预测配方数据为输出。

2.如权利要求1所述的模型训练方法，其特征在于，所述模型训练方法还包括：从所述历史训练数据集中获取测试集；

利用所述测试集测试所述训练后的局部线性网络模型的预测结果，以得到所述测试集对应的预测配方数据；

获取所述测试集对应的真实配方数据；

基于所述预测配方数据与所述真实配方数据计算所述训练后的局部线性网络模型的损失值；

基于所述损失值对所述训练后的局部线性网络模型进行更新优化。

3.一种模型训练系统，其特征在于，所述模型训练系统包括第一获取模块、分析模块、第一处理模块、第二处理模块、第三处理模块、构建模块和训练模块；

所述第一获取模块，用于获取一历史训练数据集，所述历史训练数据集包括色彩数据以及与所述色彩数据对应的配方数据；

所述分析模块，用于对所述历史训练数据集进行建模分析，以得到与色彩相关的测量数据以及与色彩无关的环境数据；

所述第一处理模块，用于对所述测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据；

所述第二处理模块，用于对所述环境数据进行类型区分处理，以得到类型区分后的环境数据；

所述第三处理模块，用于对所述去相关性换算后的测量数据和所述类型区分后的环境数据进行合并规整处理，以得到合并规整处理后的历史训练数据集；

所述构建模块，用于采用数据筛选及拟合算法构建局部线性网络模型；

所述训练模块，用于基于所述合并规整处理后的历史训练数据集训练所述局部线性网络模型，以得到训练后的局部线性网络模型；

所述训练后的局部线性网络模型以所述色彩数据作为输入，以预测配方数据为输出。

4.如权利要求3所述的模型训练系统，其特征在于，所述模型训练系统还包括第二获取模块、测试模块、第三获取模块、计算模块和优化模块；

所述第二获取模块，用于从所述历史训练数据集中获取测试集；

所述测试模块，用于利用所述测试集测试所述训练后的局部线性网络模型的预测结果，以得到所述测试集对应的预测配方数据；

所述第三获取模块，用于获取所述测试集对应的真实配方数据；

所述计算模块，用于基于所述预测配方数据与所述真实配方数据计算所述训练后的局部线性网络模型的损失值；

所述优化模块，用于基于所述损失值对所述训练后的局部线性网络模型进行更新优化。

5.一种色彩配方的预测方法，其特征在于，所述预测方法包括：获取待预测色彩数据；

将所述待预测色彩数据输入利用如权利要求1‑2中任一项所述的模型训练方法训练得到的训练后的局部线性网络模型，以输出所述待预测色彩数据对应的配方数据。

6.一种色彩配方的预测系统，其特征在于，所述预测系统包括待预测色彩数据获取模块和输入模块；

所述待预测色彩数据获取模块，用于获取待预测色彩数据；

所述输入模块，用于将所述待预测色彩数据输入利用如权利要求3‑4中任一项所述的模型训练系统训练得到的训练后的局部线性网络模型，以输出所述待预测色彩数据对应的配方数据。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑2中任一项所述的模型训练方法，或执行如权利要求5所述的色彩配方的预测方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑2中任一项所述的模型训练方法，或执行如权利要求5所述的色彩配方的预测方法。

说明书

模型训练方法、色彩配方的预测方法、系统、设备及介质

技术领域

[0001] 本发明涉及色彩配方技术领域，特别涉及一种模型训练方法、色彩配方的预测方法、系统、设备及介质。

背景技术

[0002] 以前在纺织、油漆、塑料等行业中长期依靠配色师，凭配色经验给出颜料的配方。近些年随着计算机硬件及计算机技术的不断发展，这种人工配色方法逐步被计算机配色的方法所替代。然而传统的计算机配色理论是基于理想的假设条件展开计算的，如对光折射率、扩散状态的限制等，配方原色也相对比较单一，而现实情况中通常达不到理想条件，并且各企业也有自己的配方管理体系，原色配方可能存在种类多且复杂。

[0003] 计算机配色与实际的企业生产近似于两个独立运行的体系，配色软件的输出结果只作为参考，实际还需要配色工程师根据发色效果，进行下一步的成份调整；而企业人员经验和数据上的积累，也不会进一步提升配色软件的计算精准程度，造成数据价值的浪费。

[0004] 而现阶段，主流计算机配色系统的基本原理仍然基于K‑M理论，K‑M理论在本身就是基于一定的假定条件下来进行推导的，因此其计算结果在应用到具体实践时仍有很大局限性，这主要体现在以下三点：

[0005] （1）K‑M理论并不能充分考虑到行业属性所带来的色彩方面的影响因素。例如，在印刷行业中，描述油墨叠加效果时必须考虑光与颜料颗粒的相互作用，以及油墨的物理性质；在塑料配色行业中，通常需要考虑材料基质对着色遮盖等方面的影响。

[0006] （2）部分行业所使用的基础配方原料也并非一定是标准的。例如，在显示面板方面，会有RGB（颜色系统）的标准，在印刷行业中，会有CMYK（印刷色彩模式）的标准，而在塑料染色行业，所用到的配方色粉可能多达百种，而且随后续生产还会继续有品类增加的可能，以致于在其它行业应用比较成熟的智能配色方案，不能简单地跨行业复用。

[0007] （3）计算机配色系统基于配色原理进行配色，因而相对比较封闭，不具备利用实际生产数据不断修正预测结果的功能。

发明内容

[0008] 本发明要解决的技术问题是为了克服现有技术中所采用的配色方法存在预测精准度低的缺陷，提供一种模型训练方法、色彩配方的预测方法、系统、设备及介质。

[0009] 本发明是通过下述技术方案来解决上述技术问题：

[0010] 本发明第一方面提供了一种模型训练方法，所述模型训练方法包括：

[0011] 获取一历史训练数据集，所述历史训练数据集包括色彩数据以及与所述色彩数据对应的配方数据；

[0012] 构建局部线性网络模型；

[0013] 基于所述历史训练数据集训练所述局部线性网络模型，以得到训练后的局部线性网络模型；

[0014] 所述训练后的局部线性网络模型以所述色彩数据作为输入，以预测配方数据为输出。

[0015] 较佳地，所述获取一历史训练数据集的步骤之后，所述模型训练方法还包括：

[0016] 对所述历史训练数据集进行建模分析，以得到与色彩相关的测量数据以及与色彩无关的环境数据；

[0017] 对所述测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据；

[0018] 对所述环境数据进行类型区分处理，以得到类型区分后的环境数据；

[0019] 对所述去相关性换算后的测量数据和所述类型区分后的环境数据进行合并规整处理，以得到合并规整处理后的历史训练数据集。

[0020] 较佳地，所述模型训练方法还包括：

[0021] 从所述历史训练数据集中获取测试集；

[0022] 利用所述测试集测试所述训练后的局部线性网络模型的预测结果，以得到所述测试集对应的预测配方数据；

[0023] 获取所述测试集对应的真实配方数据；

[0024] 基于所述预测配方数据与所述真实配方数据计算所述训练后的局部线性网络模型的损失值；

[0025] 基于所述损失值对所述训练后的局部线性网络模型进行更新优化。

[0026] 本发明第二方面提供了一种模型训练系统，所述模型训练系统包括第一获取模块、构建模块和训练模块；

[0027] 所述第一获取模块，用于获取一历史训练数据集，所述历史训练数据集包括色彩数据以及与所述色彩数据对应的配方数据；

[0028] 所述构建模块，用于构建局部线性网络模型；

[0029] 所述训练模块，用于基于所述历史训练数据集训练所述局部线性网络模型，以得到训练后的局部线性网络模型；

[0030] 所述训练后的局部线性网络模型以所述色彩数据作为输入，以预测配方数据为输出。

[0031] 较佳地，所述模型训练系统还包括分析模块、第一处理模块、第二处理模块和第三处理模块；

[0032] 所述分析模块，用于对所述历史训练数据集进行建模分析，以得到与色彩相关的测量数据以及与色彩无关的环境数据；

[0033] 所述第一处理模块，用于对所述测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据；

[0034] 所述第二处理模块，用于对所述环境数据进行类型区分处理，以得到类型区分后的环境数据；

[0035] 所述第三处理模块，用于对所述去相关性换算后的测量数据和所述类型区分后的环境数据进行合并规整处理，以得到合并规整处理后的历史训练数据集。

[0036] 较佳地，所述模型训练系统还包括第二获取模块、测试模块、第三获取模块、计算模块和优化模块；

[0037] 所述第二获取模块，用于从所述历史训练数据集中获取测试集；

[0038] 所述测试模块，用于利用所述测试集测试所述训练后的局部线性网络模型的预测结果，以得到所述测试集对应的预测配方数据；

[0039] 所述第三获取模块，用于获取所述测试集对应的真实配方数据；

[0040] 所述计算模块，用于基于所述预测配方数据与所述真实配方数据计算所述训练后的局部线性网络模型的损失值；

[0041] 所述优化模块，用于基于所述损失值对所述训练后的局部线性网络模型进行更新优化。

[0042] 本发明第三方面提供了一种色彩配方的预测方法，所述预测方法包括：

[0043] 获取待预测色彩数据；

[0044] 将所述待预测色彩数据输入利用上述第一方面所述的模型训练方法训练得到的训练后的局部线性网络模型，以输出所述待预测色彩数据对应的配方数据。

[0045] 本发明第四方面提供了一种色彩配方的预测系统，所述预测系统包括待预测色彩数据获取模块和输入模块；

[0046] 所述待预测色彩数据获取模块，用于获取待预测色彩数据；

[0047] 所述输入模块，用于将所述待预测色彩数据输入利用上述第二方面所述的模型训练系统训练得到的训练后的局部线性网络模型，以输出所述待预测色彩数据对应的配方数据。

[0048] 本发明第五方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的模型训练方法，或执行如第三方面所述的色彩配方的预测方法。

[0049] 本发明第六方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的模型训练方法，或执行如第三方面所述的色彩配方的预测方法。

[0050] 本发明的积极进步效果在于：

[0051] 本发明通过获取色彩数据以及与色彩数据对应的配方数据的历史训练数据集，基于历史训练数据集对构建的局部线性网络模型进行训练，以得到训练后的局部线性网络模型；以便利用训练后的局部线性网络模型精准地预测出对应的配方数据，提高了局部线性网络模型的预测精准度。

附图说明

[0052] 图1为本发明实施例1的模型训练方法的第一流程图。

[0053] 图2为本发明实施例1的模型训练方法的第二流程图。

[0054] 图3为本发明实施例1的模型训练方法的第三流程图。

[0055] 图4为本发明实施例2的模型训练系统的模块示意图。

[0056] 图5为本发明实施例3的电子设备的结构示意图。

[0057] 图6为本发明实施例5的色彩配方的预测方法的流程图。

[0058] 图7为本发明实施例6的色彩配方的预测系统的模块示意图。

具体实施方式

[0059] 下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

[0060] 实施例1

[0061] 如图1所示，本实施例提供一种模型训练方法，该模型训练方法包括：

[0062] 步骤101、获取一历史训练数据集，该历史训练数据集包括色彩数据以及与色彩数据对应的配方数据；

[0063] 本实施例中，从智能配方系统的输入端获取色彩数据以及与色彩数据对应的配方数据的历史训练数据集。

[0064] 步骤102、构建局部线性网络模型；

[0065] 本实施例中，在智能配方系统的算法核心组件中构建局部线性网络模型。

[0066] 步骤103、基于历史训练数据集训练局部线性网络模型，以得到训练后的局部线性网络模型；

[0067] 本实施例中，训练后的局部线性网络模型以色彩数据作为输入，以预测配方数据为输出。

[0068] 需要说明的是，算法核心组件中的局部线性网络模型，是充分结合塑料行业配色中工程师所采用的数据筛选及拟合算法，进行定制化的设计实现的。局部线性网络模型构建当中的许多参数，例如模型容量的默认值选取，考虑了实际数据、算法效率以及实际的模型容量之间做出了平衡。在需要针对其它行业做配色计算时，该智能配方系统同样可以搭载与行业相适应的算法核心组件，以进行智能配方的实现。

[0069] 在一可实施的方案中，如图2所示，该模型训练方法还包括：

[0070] 步骤1010、对历史训练数据集进行建模分析，以得到与色彩相关的测量数据以及与色彩无关的环境数据；

[0071] 本实施例中，与色彩相关的测量数据包括但不限于Lab（颜色）值、反射谱曲线序列等；与色彩无关的环境数据包括但不限于材料基质、温度、光源条件等。

[0072] 需要说明的是，建模分析分为色彩建模和环境建模。

[0073] 步骤1011、对测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据；

[0074] 本实施例中，在对测量数据和环境数据的预处理中，需要检查色彩的参数空间，具体地，针对与色彩相关的测量数据，采用去相关性映射算法对测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据，以方便后续的数据建模。

[0075] 步骤1012、对环境数据进行类型区分处理，以得到类型区分后的环境数据；

[0076] 本实施例中，针对与色彩无关的环境数据，需要对环境数据进行类型区分处理，以得到类型区分后的环境数据；

[0077] 需要说明的是，类型区分后的环境数据包括离散型环境数据（例如材料基质）和数值型环境数据（例如温度、光源条件）；

[0078] 在具体实施过程中，对于数值型环境数据，将数值型环境数据直接并入去相关性换算后的测量数据中，以统一进行模型容量选择；对于离散型环境数据，根据建模需要对离散型环境数据进行编码。

[0079] 步骤1013、对去相关性换算后的测量数据和类型区分后的环境数据进行合并规整处理，以得到合并规整处理后的历史训练数据集。

[0080] 本实施例中，通过智能配方系统的输入端对去相关性换算后的测量数据和类型区分后的环境数据进行合并规整处理，以得到合并规整处理后的历史训练数据集，并将合并规整处理后的历史训练数据集传输至算法核心组件，以便在算法核心组件中对训练局部线性网络模型所需的历史训练数据集进行处理。

[0081] 需要说明的是，步骤103具体为：基于合并规整处理后的历史训练数据集训练局部线性网络模型，以得到训练后的局部线性网络模型。

[0082] 在一可实施的方案中，如图3所示，该模型训练方法还包括：

[0083] 步骤104、从历史训练数据集中获取测试集；

[0084] 本实施例中，算法核心组件从输入端接收到合并规整处理后的历史训练数据集后，对该合并规整处理后的历史训练数据集是属于数据集整体还是数据集个例进行判断；对于数据集整体，直接将该数据集整体保存至智能配方系统的数据存储模块，以便利用该数据集整体构建局部线性网络模型。

[0085] 步骤105、利用测试集测试训练后的局部线性网络模型的预测结果，以得到测试集对应的预测配方数据；

[0086] 步骤106、获取测试集对应的真实配方数据；

[0087] 步骤107、基于预测配方数据与真实配方数据计算训练后的局部线性网络模型的损失值；

[0088] 步骤108、基于损失值对训练后的局部线性网络模型进行更新优化。

[0089] 本实施例中，对于数据集个例，本实施例以数据集个例作为测试集，在具体实施过程中，首先需要对数据集个例是否是实验数据作出判断，对于非实验数据的数据集个例，默认为目标色彩数据，通过局部线性网络模型预测该目标色彩数据所对应的配方数据（即利用测试集测试训练后的局部线性网络模型的预测结果，以得到测试集对应的预测配方数据）；对于实验数据的数据集个例，默认为以实现目标色彩数据对应的配方所做的实验验证（即获取测试集对应的真实配方数据），这样的实验数据会添加至智能配方系统的数据存储模块的实验数据集中，而后基于预测配方数据与真实配方数据计算训练后的局部线性网络模型的损失值；再基于损失值对训练后的局部线性网络模型进行更新优化。以便更新优化之后再预测出各配方间浓度梯度的增减量。

[0090] 需要说明的是，智能配方系统的数据存储模块用于存储实验数据以及局部线性网络模型，并配合智能配方系统的算法核心组件计算的同时，实现数据及局部线性网络模型的同步更新。

[0091] 本实施例通过局部线性网络模型的构建与持续更新优化，能够保证AI（人工智能）模型数据不断地利用新产生的实验数据对自身进行更新，以随企业数据积累，达到智能配方系统越来越准确的效果，进而实现修正预测结果的功能。

[0092] 本实施例通过获取色彩数据以及与色彩数据对应的配方数据的历史训练数据集，基于历史训练数据集对构建的局部线性网络模型进行训练，以得到训练后的局部线性网络模型；以便利用训练后的局部线性网络模型精准地预测出对应的配方数据，提高了局部线性网络模型的预测精准度。

[0093] 实施例2

[0094] 如图4所示，本实施例提供一种模型训练系统，该模型训练系统包括第一获取模块1、构建模块2和训练模块3；

[0095] 第一获取模块1，用于获取一历史训练数据集，该历史训练数据集包括色彩数据以及与色彩数据对应的配方数据；

[0096] 本实施例中，从智能配方系统的输入端获取色彩数据以及与色彩数据对应的配方数据的历史训练数据集。

[0097] 构建模块2，用于构建局部线性网络模型实施例中，在智能配方系统的算法核心组件中构建局部线性网络模型。

[0098] 训练模块3，用于基于历史训练数据集训练局部线性网络模型，以得到训练后的局部线性网络模型；

[0099] 本实施例中，训练后的局部线性网络模型以所述色彩数据作为输入，以预测配方数据为输出。

[0100] 需要说明的是，算法核心组件中的局部线性网络模型，是充分结合塑料行业配色中工程师所采用的数据筛选及拟合算法，进行定制化的设计实现的。局部线性网络模型构建当中的许多参数，例如模型容量的默认值选取，考虑了实际数据、算法效率以及实际的模型容量之间做出了平衡。在需要针对其它行业做配色计算时，该智能配方系统同样可以搭载与行业相适应的算法核心组件，以进行智能配方的实现。

[0101] 在一可实施的方案中，如图4所示，该模型训练系统还包括分析模块4、第一处理模块5、第二处理模块6和第三处理模块7；

[0102] 分析模块4，用于对历史训练数据集进行建模分析，以得到与色彩相关的测量数据以及与色彩无关的环境数据；

[0103] 本实施例中，与色彩相关的测量数据包括但不限于Lab值、反射谱曲线序列等；与色彩无关的环境数据包括但不限于材料基质、温度、光源条件等。

[0104] 需要说明的是，建模分析分为色彩建模和环境建模。

[0105] 第一处理模块5，用于对测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据；

[0106] 本实施例中，在对测量数据和环境数据的预处理中，需要检查色彩的参数空间，具体地，针对与色彩相关的测量数据，采用去相关性映射算法对测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据，以方便后续的数据建模。

[0107] 第二处理模块6，用于对环境数据进行类型区分处理，以得到类型区分后的环境数据；

[0108] 本实施例中，针对与色彩无关的环境数据，需要对环境数据进行类型区分处理，以得到类型区分后的环境数据；

[0109] 需要说明的是，类型区分后的环境数据包括离散型环境数据（例如材料基质）和数值型环境数据（例如温度、光源条件）；

[0110] 在具体实施过程中，对于数值型环境数据，将数值型环境数据直接并入去相关性换算后的测量数据中，以统一进行模型容量选择；对于离散型环境数据，根据建模需要对离散型环境数据进行编码。

[0111] 第三处理模块7，用于对去相关性换算后的测量数据和类型区分后的环境数据进行合并规整处理，以得到合并规整处理后的历史训练数据集。

[0112] 本实施例中，通过智能配方系统的输入端对去相关性换算后的测量数据和类型区分后的环境数据进行合并规整处理，以得到合并规整处理后的历史训练数据集，并将合并规整处理后的历史训练数据集传输至算法核心组件，以便在算法核心组件中对训练局部线性网络模型所需的历史训练数据集进行处理。

[0113] 需要说明的是，训练模块3，具体用于基于合并规整处理后的历史训练数据集训练局部线性网络模型，以得到训练后的局部线性网络模型。

[0114] 在一可实施的方案中，如图4所示，该模型训练系统还包括第二获取模块8、测试模块9、第三获取模块10、计算模块11和优化模块12；

[0115] 第二获取模块8，用于从历史训练数据集中获取测试集；

[0116] 本实施例中，算法核心组件从输入端接收到合并规整处理后的历史训练数据集后，对该合并规整处理后的历史训练数据集是属于数据集整体还是数据集个例进行判断；对于数据集整体，直接将该数据集整体保存至智能配方系统的数据存储模块，以便利用该数据集整体构建局部线性网络模型。

[0117] 测试模块9，用于利用测试集测试训练后的局部线性网络模型的预测结果，以得到测试集对应的预测配方数据；

[0118] 第三获取模块10，用于获取测试集对应的真实配方数据；

[0119] 计算模块11，用于基于预测配方数据与真实配方数据计算训练后的局部线性网络模型的损失值；

[0120] 优化模块12，用于基于损失值对训练后的局部线性网络模型进行更新优化。

[0121] 本实施例中，对于数据集个例，本实施例以数据集个例作为测试集，在具体实施过程中，首先需要对数据集个例是否是实验数据作出判断，对于非实验数据的数据集个例，默认为目标色彩数据，通过局部线性网络模型预测该目标色彩数据所对应的配方数据（即利用测试集测试训练后的局部线性网络模型的预测结果，以得到测试集对应的预测配方数据）；对于实验数据的数据集个例，默认为以实现目标色彩数据对应的配方所做的实验验证（即获取测试集对应的真实配方数据），这样的实验数据会添加至智能配方系统的数据存储模块的实验数据集中，而后基于预测配方数据与真实配方数据计算训练后的局部线性网络模型的损失值；再基于损失值对训练后的局部线性网络模型进行更新优化。以便更新优化之后再预测出各配方间浓度梯度的增减量。

[0122] 需要说明的是，智能配方系统的数据存储模块用于存储实验数据以及局部线性网络模型，并配合智能配方系统的算法核心组件计算的同时，实现数据及局部线性网络模型的同步更新。

[0123] 本实施例通过局部线性网络模型的构建与持续更新优化，能够保证AI模型数据不断地利用新产生的实验数据对自身进行更新，以随企业数据积累，达到智能配方系统越来越准确的效果，进而实现修正预测结果的功能。

[0124] 本实施例通过获取色彩数据以及与色彩数据对应的配方数据的历史训练数据集，基于历史训练数据集对构建的局部线性网络模型进行训练，以得到训练后的局部线性网络模型；以便利用训练后的局部线性网络模型精准地预测出对应的配方数据，提高了局部线性网络模型的预测精准度。

[0125] 实施例3

[0126] 图5为本发明实施例3提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1的模型训练方法。图5显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

[0127] 如图5所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。

[0128] 总线33包括数据总线、地址总线和控制总线。

[0129] 存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。

[0130] 存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

[0131] 处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的模型训练方法。

[0132] 电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID（磁盘阵列）系统、磁带驱动器以及数据备份存储系统等。

[0133] 应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

[0134] 实施例4

[0135] 本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1所提供的模型训练方法。

[0136] 其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

[0137] 在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1所述的模型训练方法。

[0138] 其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

[0139] 虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

[0140] 实施例5

[0141] 如图6所示，本实施例提供一种色彩配方的预测方法，该预测方法包括：

[0142] 步骤201、获取待预测色彩数据；

[0143] 步骤202、将待预测色彩数据输入利用实施例1的模型训练方法训练得到的训练后的局部线性网络模型，以输出待预测色彩数据对应的配方数据。

[0144] 本实施例中，由于在前述智能配方系统的输入端中应用了去相关性映射算法，因此会涉及到色空间的转换问题，进而在输出预测配方数据之前，需要应用对应的逆变换返回至原色空间中进行结果输出。另外，由于企业配方原料种类繁多，但并不是每一种颜色都需要用到所有的原料，对于大多数的原料预测结果（即预测配方数据）都是0，因此算法核心组件里针对配方数据的预测是一种稀疏化的输出，在智能配方系统的表现层里，并不需要对预测结果为0的配方数据予以展示，因此需要对待预测色彩数据对应的配方数据进行去稀疏化处理后，再输出去稀疏化处理后的待预测色彩数据对应的配方数据，以便输出稳定的配方数据。

[0145] 需要说明的是，对待预测色彩数据对应的配方数据进行去稀疏化处理的具体过程为去掉大部分预测结果为0或者很小的预测结果。

[0146] 本实施例通过将待预测色彩数据（即目标色彩数据）输入训练后的局部线性网络模型，该训练后的局部线性网络模型能够依据历史数据内在关联，合理预测出所需要的配方数据（即预测出待预测色彩数据对应的配方数据）。后续研发人员再根据预测配方数据，或是结合自身实践经验，对配方数据做出调整。新的配方数据需要经过打板制样来进行验证，这个过程中新的配方数据以及实测的色彩又纳入智能配方系统来进行模型的更新。上述的验证过程循环往复，直至配方数据稳定后提供给生产端。在整个过程中，研发人员的配色经验也不断地通过局部线性网络模型的更新而纳入AI，使得AI和实际生产更加匹配契合，实现了将企业生产伴随产生的数据不断纳入局部线性网络模型中进行自我更新学习，针对需求的颜色从数据库中回溯近似配方数据，并计算推荐可能的配方成份及浓度，提高了计算的精准度。

[0147] 本实施例基于实现塑料行业的配方管理和色彩智能推荐而开发完成。充分考虑了行业实际情况和企业需求，以实验数据为基础而进行局部线性网络模型的构建和更新。这样的AI具备利用企业自身的数据积累不断地自我学习的能力，随着企业数据的积累，越来越多研发人员的经验都能内化到AI系统中，使得通过局部线性网络模型预测出的配方数据越来越具参考价值，最终简化色彩配方的验证周期，提高了经济效益和实际价值，节省了项目时间。

[0148] 实施例6

[0149] 如图7所示，本实施例提供一种色彩配方的预测系统，该预测系统包括待预测色彩数据获取模块51和输入模块52；

[0150] 待预测色彩数据获取模块51，用于获取待预测色彩数据；

[0151] 输入模块52，用于将待预测色彩数据输入利用实施例2所述的模型训练系统训练得到的训练后的局部线性网络，以输出待预测色彩数据对应的配方数据。

[0152] 本实施例中，由于在前述智能配方系统的输入端中应用了去相关性映射算法，因此会涉及到色空间的转换问题，进而在输出预测配方数据之前，需要应用对应的逆变换返回至原色空间中进行结果输出。另外，由于企业配方原料种类繁多，但并不是每一种颜色都需要用到所有的原料，对于大多数的原料预测结果（即预测配方数据）都是0，因此算法核心组件里针对配方数据的预测是一种稀疏化的输出，在智能配方系统的表现层里，并不需要对预测结果为0的配方数据予以展示，因此需要对待预测色彩数据对应的配方数据进行去稀疏化处理后，再输出去稀疏化处理后的待预测色彩数据对应的配方数据，以便输出稳定的配方数据。

[0153] 需要说明的是，对待预测色彩数据对应的配方数据进行去稀疏化处理的具体过程为去掉大部分预测结果为0或者很小的预测结果。

[0154] 本实施例通过将待预测色彩数据（即目标色彩数据）输入训练后的局部线性网络模型，该训练后的局部线性网络模型能够依据历史数据内在关联，合理预测出所需要的配方数据（即预测出待预测色彩数据对应的配方数据）。后续研发人员再根据预测配方数据，或是结合自身实践经验，对配方数据做出调整。新的配方数据需要经过打板制样来进行验证，这个过程中新的配方数据以及实测的色彩又纳入智能配方系统来进行模型的更新。上述的验证过程循环往复，直至配方数据稳定后提供给生产端。在整个过程中，研发人员的配色经验也不断地通过局部线性网络模型的更新而纳入AI，使得AI和实际生产更加匹配契合，实现了将企业生产伴随产生的数据不断纳入局部线性网络模型中进行自我更新学习，针对需求的颜色从数据库中回溯近似配方数据，并计算推荐可能的配方成份及浓度，提高了计算的精准度。

[0155] 本实施例基于实现塑料行业的配方管理和色彩智能推荐而开发完成。充分考虑了行业实际情况和企业需求，以实验数据为基础而进行局部线性网络模型的构建和更新。这样的AI具备利用企业自身的数据积累不断地自我学习的能力，随着企业数据的积累，越来越多研发人员的经验都能内化到AI系统中，使得通过局部线性网络模型预测出的配方数据越来越具参考价值，最终简化色彩配方的验证周期，提高了经济效益和实际价值，节省了项目时间。

[0156] 实施例7

[0157] 本发明实施例7提供的一种电子设备的结构示意图，该实施例中的电子设备的结构示意图与图5的结构相同。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例5的色彩配方的预测方法。图5显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

[0158] 如图5所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。

[0159] 总线33包括数据总线、地址总线和控制总线。

[0160] 存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。

[0161] 存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

[0162] 处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例5的色彩配方的预测方法。

[0163] 电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID（磁盘阵列）系统、磁带驱动器以及数据备份存储系统等。

[0164] 应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

[0165] 实施例8

[0166] 本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例5所提供的色彩配方的预测方法。

[0167] 其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

[0168] 在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例5所述的色彩配方的预测方法。

[0169] 其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

[0170] 虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。