摘要基于对2013年至2022年间发表的101篇论文的筛选本研究系统回顾了智能技术和优化算法在纺织色彩管理中的应用。具体而言研究探讨了这些技术如何应用于纺织色彩管理的四个子领域色彩匹配与预测、色差检测与评估、色彩识别与分割以及染液浓度与脱色。在介绍了纺织色彩管理中的智能技术和优化算法之后本研究描述了这些技术在过去十年中在该领域的具体应用。使用描述性统计分析了这些技术和优化算法的使用趋势并通过性能比较表明了这些技术和算法的有效性。研究发现纺织色彩管理领域使用的主要智能技术包括人工神经网络ANN、支持向量机SVM如SVM、LSSVM、LSSVR、SLSSVR、FWSVR、模糊逻辑FL和自适应神经模糊推理系统ANFIS、聚类算法例如K-means、FCM、X-means算法以及极限学习机ELM如ELM、OSLEM、KELM、RELM。使用的主要优化算法包括响应曲面法RSM、遗传算法GA、粒子群优化PSO和差分进化DE。最后本研究对智能技术和优化算法的性能进行了比较总结了相关研究趋势并提出了未来的研究机会和方向同时说明了本文的局限性。关键词 智能技术优化算法纺织色彩管理性能比较参考综述引言为了提高预测准确性智能技术和优化算法被用于识别和分类数据模式。人工神经网络ANN、K-means聚类算法和自适应神经模糊推理系统ANFIS是常用的智能技术Almodarresi等2013Pan等2013Vasseghian Dragoi2018。同样常用优化算法的一些例子包括蚁群优化ACO、粒子群优化PSO算法和遗传算法GAAryafar等2019Chaouch等2019aZhang Yang2014。这些技术和算法可以作为纺织色彩管理领域中识别、分类和预测的有效替代工具He等2021Liu等2022。在纺织色彩管理领域有许多问题需要解决包括色彩匹配与预测、色差检测与评估、色彩识别与分割以及染液浓度与脱色。这些问题很复杂不易通过简单的线性回归模型解决。然而应用智能技术和优化算法有助于提高优化、识别和预测的效率。这反过来又减少了重复实验的次数从而能更好地解决这些问题。例如ANN是一种智能技术可以在不需要对过程中涉及的现象进行数学描述的情况下进行预测因此开发模型所需的时间更少Khataee等2013。K-means聚类方法可以通过最小化所有点与聚类中心之间距离的平方和来分析不同色彩空间中印花织物的色彩分割Pan等2013。ANFIS可以将神经网络的学习能力与模糊逻辑的能力结合起来以产生改进的预测Haji Payvandy2020。优化算法如ACO是获得组合优化问题良好解决方案的计算高效方法Chaouch等2019a。同时PSO算法能够通过在搜索和最优解区域中表示随机答案来持续搜索问题空间Aryafar等2019。此外可以使用神经网络的组合来找到最优权重和偏差从而提高人工神经网络的性能Aryafar等2019。或者遗传算法是人工智能中模拟自然选择的搜索启发式算法Zhang Yang2014。在纺织色彩管理领域期望的颜色是通过染色实现的这涉及解决色彩匹配和预测的挑战。具体来说需要开发适当的配色配方通过预测染料及其各自的浓度以获得与给定参考颜色相同的颜色Chaouch等2022。传统方法通常依赖从业者的经验或Kubelka-Munk定理但配色准确性受到纤维、纱线和后整理工艺等各种因素的阻碍Sahin等2022。因此通过智能技术和优化算法研究色彩匹配和预测问题至关重要。此外染色后织物颜色的质量是产品测试的重要指标Zhang Zhou2022。传统的颜色分类方法由经验丰富、技术熟练的工人进行人工分类他们容易受到视觉疲劳和主观性的影响Zhang Zhou2022。因此已经开发了基于智能技术和优化算法的色差检测和评估模型以满足染色织物自动化生产的要求。描述智能技术和优化算法在纺织色彩管理领域的具体应用。此外随着服装颜色的多样化对具有复杂颜色图案的印花织物的需求也在增加Qian等2022。在织物生产中颜色识别和分割是必不可少的步骤Qian等2022。然而传统的颜色识别和分割方法不仅劳动密集而且不稳定Qian等2022。因此基于智能技术和优化算法的多色织物颜色识别和分割研究已经启动。最后关于纺织废水中染料溶液的浓度和脱色智能技术和优化算法的组合可以有效地优化建模过程节省时间和实验成本并提高污染物去除效率Kothari等2022。然而现有文献中缺乏对智能技术和优化算法在纺织色彩管理领域应用的全面和系统的综述。虽然以往关于智能技术应用的综述零星地集中在纺织废水脱色、纺织供应链和纺织制造过程He等2021Liu等2022Ngai等2014但对现有文献进行全面综述对于指导智能技术和优化算法在纺织色彩管理领域的应用至关重要。本综述聚焦于过去十年即2013年至2022年并考虑了发表在期刊或会议上的关于智能技术和优化算法在纺织色彩管理中应用的研究论文。这些研究论文是通过在Web of Science中使用以下关键词进行高级搜索选出的“TS (textile OR fabric) AND TS (colour fading OR colour prediction OR colour management OR colour recipe OR fading) AND TS (ANN OR neural network OR intelligent techniques OR algorithm OR intelligent)。”在排除了与主题不相关的文章后我们选出了101篇文章。为了对与纺织色彩管理领域相关的不同问题进行分类采用了一种主观方法。这种方法主要依赖于作者的判断通过设计子类别标题并根据作者自己的观点对每篇文章进行分类Liu等2022。本文对以往发表的关于智能技术和优化算法在纺织色彩管理领域应用的文献进行了系统综述。本综述的目标如下1. 描述智能技术和优化算法在纺织色彩管理领域的具体应用。2. 分析当前在纺织色彩管理领域使用智能技术和优化算法的趋势。3. 总结相关研究趋势并确定智能技术和优化算法在纺织色彩管理领域应用的未来研究机会。方法智能技术和优化算法在纺织色彩管理领域的具体应用在回顾了过去十年2013-2022年在纺织色彩管理领域发表的101篇研究论文后采用主观方法将这些文章分为以下四类1色彩匹配与色彩预测2色差检测与评估3色彩识别与色彩分割4染液浓度与脱色。具体来说我们确定了该领域中智能技术和优化算法的具体应用并将其分类如下色彩匹配与色彩预测34篇研究论文色差检测与评估15篇研究论文色彩识别与色彩分割20篇研究论文以及染液浓度与脱色32篇研究论文。色彩匹配与色彩预测对于色彩匹配与预测有多种智能技术和优化算法可用。这些包括人工神经网络ANN和循环神经网络RNN、模糊逻辑FL和自适应神经模糊推理系统ANFIS、响应曲面法RSM和田口方法、组合优化CO、蚁群优化ACO、遗传算法GA、灰狼优化GWO、PSO-FMINCON算法PSO-FMIN、多目标进化算法MOEA和非支配排序遗传算法IINSGAII。过去十年发表的与色彩匹配和预测相关的共34篇研究论文已整理并在表1中列出按算法排序。此外接下来将对这些方法的技术细节和应用进行细致探讨旨在阐明它们各自的优点和局限性。首先人工神经网络已被证实是进行颜色预测和着色剂预测的有力工具Almodarresi等2013Hasanzadeh等2013。具体来说可以训练ANNs来模拟专业调色师的行为从而学习着色剂与特定颜色坐标之间的关系Almodarresi等2013。然而传统的ANNs在处理序列数据时可能遇到困难。为了缓解这个问题引入了RNNsZhang等2021。RNNs允许数据以序列格式输入并共享权重矩阵Zhang等2021。然而RNNs并非没有缺点例如确定网络层数Zhang等2021。为了改善这些问题研究人员引入了密集块并采用了长短期记忆LSTM块来防止信息丢失Zhang等2021。这两种技术都显著提高了RNNs的性能。此外源自基础模糊集理论的模糊逻辑通过四个关键组成部分进行运作模糊化接口、知识库、决策逻辑和解模糊化Hossain等2015。它通过使用模糊集和模糊数学的运算规则来减轻不确定性和不精确性。尽管如此选择适当数量的隶属函数和参数以实现最佳性能是一个挑战。表1续智能技术和优化算法研究内容预测准确性参考文献竞争神经网络本研究调查了输入数字图像像素与印花纺织品样本色度参数之间的相关性使用了竞争神经网络。最佳预测结果相关性为0.9671MSE为0.0091。Hajipour和Shams-Nateri2019优化RBF神经网络本研究旨在使用优化RBF神经网络的光谱表示模型预测数字纺织品印花的颜色。在测试颜色样本中90%的光谱误差小于0.04平均和最大光谱误差分别为0.025和0.066。测试颜色样本的90%色差DE2000小于2.8最大值和平均值分别为8.5和1.89。Liu和Liang2018ANN本研究调查了使用ANN预测棉染色的染色参数以实现所需的颜色和牢度。标准偏差和标准误差显示输入-输出系统紧密匹配并保持在95%置信水平内表明ANN模型在预测染色参数方面有效。Chakraborty等2019ANN本研究侧重于使用ANNs开发色相预测系统以预测整理后样品的颜色变化。开发的模型被发现能够以超过90%的准确率预测颜色变化对于Delta CIE L*a*bCh值模型MAE分别为0.6542、0.5872、0.5318、0.4839和0.4707。Farooq等2020ANN本研究调查了使用ANNs预测染色针织物应用柔软剂后整理样品的Delta CIE L*a*bCh值。开发的系统能够预测色变准确率大于90%对于整理样品的Delta CIE L*a*bCh值平均绝对误差分别为0.78、0.71、0.54、0.37和0.33。Farooq等2021ANN本研究调查了使用ANN方法预测染色过程后纱线的CIE L*a*b*值。实际值与预测值之间的差异在可接受范围内大多数预测数据与测试数据的偏差小于0.5。Şahin等2022RNN本研究提出了一种智能模型使用高光谱颜色测量和RNN方法预测棉织物染色的染料配方。研究包括343块均匀染色织物和20块不均匀染色织物使用三种不同的染料。三种染料配方的相对预测误差分别为3.40%、2.70%和3.10%表明使用RNN方法具有良好的预测准确性。Zhang等2021ANN和RSM本研究旨在使用RSM和ANN模型预测超支化聚合物HBPs处理后织物的颜色强度。ANN模型的相对误差更低1.67%表明准确性高于RSM模型相对误差1.80%。Hasanzadeh等2013优化算法GOA、正弦余弦算法SCA和海洋捕食者算法MPA、饥饿游戏搜索HGS、Takagi-Sugeno模糊神经网络T-S FNN和GM(1,1)灰色理论模型、Bagging策略、旋转森林RF、差分进化DE。智能技术和优化算法的组合有DE-GOA-KELM、SCA-MPA-RVFL、DPS-DE-RELM、GWO-HGS-RVFL算法、Bagging-PSO-ELM、RF-PSO-SLSSVR模型。过去十年发表的与色差检测和评估相关的15篇研究论文总结在表2中按算法排序。所阐述的智能技术和优化算法为色差检测和评估提供了多方面的解决策略。后续章节将进行更细致的探讨深入研究各种智能技术和优化算法的性能、优点和局限性。SVM是一种监督学习方法主要应用于分类和回归问题Zhang Yang2014。SVM及其变体LS-SVM通过利用结构风险最小化原则为解决分类和回归难题提供了一个稳健的框架。值得注意的是SVM的工作原理是找到一个超平面策略性地最大化正负实例的分离Zhang Yang2014。此外LS-SVM通过使用等式约束和二次误差项提供了一种计算上更快捷的方法Zhang Yang2014。这些特性使得SVM及其变体成为解决色差问题的理想选择。然而需要注意的是这些模型的有效性在很大程度上取决于相关参数的选择这一过程通常涉及复杂的交叉验证程序。此外基于神经网络的方法即RVFL、ELM及其变体也值得考虑。RVFL因其非迭代训练协议、快速性和提供预测模型的能力而受到关注Liu Yang2021。ELM及其变体如KELM和RELM以其结构简单、学习速度快和参数调整最小化为特征Li等2020Zhou等2021a, 2021b, 2019a, 2019b, 2019c。具体来说KELM将核方法与ELM相结合从而提高了性能Li等2020。同时RELM和OSELM分别引入了正则化参数和在线学习能力Zhou等2019a。然而一个普遍存在的局限性在于输入权重和偏差的随机确定可能导致性能不稳定尤其是在在线序列变体OSELM中Zhou等2019a, 2019b, 2019c。转向优化算法PCA方法广泛应用于特征提取以其降维和提取主成分的能力而著称Zhang Yang2014。GA模拟自然选择过程是一种搜索优化技术Zhang Yang2014。WOA以其操作简单、参数调整少和善于避免局部最优而著称Zhou等2019a, 2019b, 2019c。GOA的初始种群配置可能影响收敛速度和解的质量Li等2020。SCA通过正弦和余弦函数执行优化搜索Liu Yang2021。然而这些算法的有效性在很大程度上取决于其参数的正确设置和所应用问题的具体性质。GM(1,1)灰色预测模型的显著特点是仅需最少的数据集即可进行有效建模Zhou等2016。相反Bagging作为一种集成学习方法能有效提升单一模型的性能Zhou等2016。旋转森林RF基于随机森林和PCAZhou等2019a, 2019b, 2019c。在考虑智能技术和优化算法的结合时例如DE-GOA-KELM和RF-PSO-SLSSVR这些方法综合利用了不同算法的优点如KELM的快速学习能力和GOA的全局搜索能力以及RF的集成学习框架和PSO的参数优化能力Li等2020Zhou等2019a, 2019b, 2019c。这种组合方法旨在缓解单个算法固有的问题如参数选择和局部最优同时保持高效的学习和准确的预测。关于这些智能技术和优化算法在色差检测和评估实际应用领域中的性能、优势和局限性的讨论和分析表明算法的选择和组合需要基于具体问题的固有特征和先决条件并可能需要进行后续的算法调整和优化。未来的研究工作包括开发和探索新的算法或算法组合以及研究不同算法在不同类型色差问题上的表现将确实提供一个有价值的方向。这些努力不仅有助于更深入地理解各种算法的运行机制也将为开发更精确、更高效的色差检测和评估方法奠定基础。色彩识别与色彩分割对于色彩识别与色彩分割可用的智能技术和优化算法包括FCM算法、ANN、SVM、K-means聚类算法和X-means聚类算法、自组织映射SOM和节点增长SOMNGSOM、密度峰值聚类DPC算法、高效密集子空间聚类EDSC算法、模糊区域竞争和基于模糊区域的分割FRBS方法。过去十年发表的与色彩识别和色彩分割相关的20篇研究论文总结在表3中按算法排序。后续章节将深入研究上述算法在实际应用和色彩识别与分割潜力方面的性能、优势和局限性以促进全面理解。在色彩识别和分割领域聚类无疑是一个关键步骤Pan等2013。其中无监督的FCM算法因其能够迭代更新聚类中心和数据点的隶属度从而将聚类中心恰当地定位在数据集中而被广泛誉为最著名的聚类方法Pan等2013。此外FCM可用于分析不同色彩空间中印花织物的色彩分割Pan等2013。与FCM相比K-means聚类算法旨在最小化所有数据点与其各自聚类中心之间距离的平方和Zhang等2015a, 2015b, 2015c。尽管K-means和FCM算法都有其特定的优点但它们都受到一个主要限制的约束即需要预先知道聚类数量Ouyang等2019。此外作为K-means的扩展X-means聚类算法具有更低的时间复杂度在处理相同规模的问题时具有显著的时间优势。例如FCM算法的运行时间至少是X-means的2.7倍Zhou等2013。SOM是一种无监督神经网络技术有助于在以前未遇到的输入中进行识别或描述Ouyang等2019。尽管使用具有10×10个节点的SOM可以获得合理的色彩分割结果但计算过程通常非常耗时Ouyang等2019。为了解决这个问题引入了节点增长自组织映射NGSOM算法该算法在不牺牲准确性的情况下将处理时间缩短了多达八倍Ouyang等2019。此外DPC是一种基于密度的新型聚类算法与K-means等算法不同它无需预先确定聚类中心的数量Zhang等2019。该方法为数据点分类提供了新的视角并强调了选择聚类中心的重要性Zhang等2019。将SOM和EDSC集成用于色彩分割算法通过分两步进行聚类——首先通过SOM然后通过EDSC——显著提高了分割的精度Qian等2022。EDSC算法本质上是一种基于谱聚类的子空间聚类方法不同于传统的压缩感知方法它强调数据点之间的联系尽管需要手动输入聚类中心的数量Qian等2022。总而言之各种智能技术和优化算法在色彩分割和模式识别领域各有其独特的优势和局限性。在实际应用中选择算法取决于具体任务要求和数据特性。未来的研究工作探索能够自适应确定聚类中心数量的算法或方法是一个有价值的轨迹。染液浓度与脱色对于染液浓度与脱色可用的智能技术和优化算法包括ANN、RSM、灰色关联分析GRA、田口方法、ANFIS、hSADE-NN带有混合DE版本的ANN、PSO算法、SVM、随机森林。过去十年发表的与染液浓度和脱色相关的32篇研究论文总结在表4中按算法排序。接下来的讨论将对各种智能技术和优化算法的效果进行比较分析并讨论它们各自的优缺点。首先ANNs为研究纺织染料溶液脱色过程的最佳条件提供了一种有效的方法Khataee等2013Rosaa等2013。ANNs显示出显著的优势特别是它们能够避免对所涉及的过程现象进行数学描述减少模型开发的时间需求以及在缺乏经验数据的情况下进行预测Khataee等2013Rosaa等2013。随后ANFIS和神经进化方法作为两种基于ANN的方法论出现Vasseghian Dragoi2018。ANFIS结合了ANN和模糊推理系统FIS其中每条规则的输出是输入变量的线性组合最终输出表现为每条规则输出的加权平均值Vasseghian Dragoi2018。另一方面神经进化方法通过结合ANN和差分进化DE来促进拓扑和参数优化Vasseghian Dragoi2018。DE能够确定ANN的最优拓扑结构和参数值Vasseghian Dragoi2018。此外hSADE-NN是一种包含混合DE版本的ANN其特点包括修正的变异机制、自适应程序旨在自动检测最优控制参数和局部搜索程序Vasseghian Dragoi2018。另外PSO算法是一种搜索和优化范式假设每个粒子代表搜索空间中的一个潜在解Aryafar等2019。通过基于粒子及其邻域的经验和行为不断更新每个粒子的位置PSO展示了在问题空间中进行搜索的能力Aryafar等2019。PSO和神经网络的集成使得能够有效确定权重和偏差的最优值从而提高ANN的性能Aryafar等2019。此外GRA是一种量化变量之间相关性的方法其特点是能够处理不完整、模糊和不精确的信息Zeydan2014。通过将多个性能特征之间的复杂关系转化为灰色关联度GRA提供了一种简化的评估和解决方案Zeydan2014。然而该方法的一个潜在局限性可能在于其对数据质量和结构的依赖性。田口方法通过利用信噪比S/N最小化质量特性的变化是一种适用于产品和过程优化的实验设计方法Hossain等2016a, 2016b。在全面评估各种算法和技术的优点和局限性后很明显单一方法难以在所有情况下都表现出最佳性能。因此在实际应用中选择或设计算法需要综合考虑问题的特点和需求。不同算法或技术的组合有助于更好地解决纺织染料溶液脱色过程中遇到的问题和挑战。纺织色彩管理领域的研究框架在探索上述纺织色彩管理领域时总结出了一个研究程序框架该框架致力于引导研究人员从问题定义阶段到研究成果报告阶段图1。该框架首先强调了问题定义和目标界定的重要性要求研究者在项目开始时就阐明其核心问题和研究目标。随后的数据收集和预处理阶段强调获取和组织有助于模型开发的数据。接着模型选择和设计阶段要求研究者根据问题的性质和数据的特征选择和设计合适的模型。在模型训练、验证和测试阶段模型将在数据上进行训练然后通过验证集和测试集评估其性能和泛化能力。结果分析和优化阶段要求对模型输出进行全面分析并在必要时进行模型优化。一旦模型经过验证并被认定为可靠它将进入实际应用和评估阶段在此阶段部署到实际工作环境中并进行持续的性能评估。最后结果报告阶段包括组织总结整个研究过程和结果。这个通用程序框架允许细分并适用于纺织色彩管理中的四个不同子领域每个子领域都涉及多种智能技术和优化算法。例如在色彩匹配和预测领域包括但不限于ANN、RNN和FL在内的多种算法已被应用并取得显著效果。 第 24 页 在其他领域如色差检测和评估也已采用了多种算法如SVM、LS-SVM和SVR。该框架为研究提供了清晰的轨迹使得能够直接比较和后续改进每个子领域内的各种智能技术和优化算法同时为不同子领域之间的跨学科研究提供了机会。智能技术和优化算法的性能评估对于智能技术和优化算法的性能评估研究人员通常采用各种指标包括但不限于MAE、MAPE、RMSE和2Hossain等2017Li等2022。MAE主要反映模型的整体准确性并与模型预测与实际测量值之间的一致性密切相关。当MAE接近零时模型表现出高精度表明预测与实际测量值之间具有高度一致性。相反较大的MAE表明需要提高模型准确性Hossain等2017。不同的是RMSE侧重于模型的综合准确性。与MAE不同RMSE优先考虑预测误差较大的情况从而更敏感地捕捉预测中的异常值Hossain等2017。此外MAPE从相对表现的角度评估模型提供了预测误差相对大小的度量Li等2022。决定系数(2)是另一个关键指标主要反映模型对数据的拟合程度。2值接近1表示模型预测与实际观测值之间存在高度相关性而较低的2可能表明模型对数据的拟合不理想Hossain等2017。在纺织色彩安排与智能技术和优化算法的结合中模型性能的评估不应局限于单一指标。尽管像MAE和RMSE这样的基础指标可以提供初步的性能概览但要确保模型在实际工业应用中的实用性还需要考虑其他关键因素如色差、计算效率和稳定性。色彩差异的相关性在纺织色彩管理领域占据关键地位。广泛采用的CMC公式规定1.0单位的色彩差异为可容忍的极限Farooq等2021。进一步地基于新数据集设计的CIE2000公式不仅引入了新的评估组件还仔细审视了彩度和色调之间复杂的相互关系从而更精确地反映真实的视觉感知Sharma等2005。此外在比较不同算法或模型时必须认识到计算时间和模型精度之间的平衡。一个算法在追求更高计算效率时可能会牺牲一定的精度。相反高精度的模型可能需要更长的计算时间Chaouch等2022。稳定性也是一个不可或缺的要素。为了量化这一属性常见的做法是观察模型在不同数据集或不同输入扰动下的输出一致性。 第 25 页 2 从Web of Science核心合集中选出的101篇研究论文的分布如果算法在此类条件下产生高度一致的输出则可以认为其具有良好的稳定性Zhang Zhou2022。总而言之一个结合了各种指标的综合评估体系无疑有助于更全面、更深入地评估模型的整体性能从而为研究人员提供对其能力清晰而全面的认识。结果与讨论本节对已审查的101篇研究论文进行了描述性统计分析和讨论。描述性统计和讨论涵盖以下四个部分1按期刊分类的研究论文分布2按出版年份分类的研究论文分布及论文引用分析3纺织色彩管理领域使用的智能技术和优化算法的趋势分析4应用于纺织色彩管理领域的一些智能技术和优化算法的性能比较。按期刊分类的研究论文分布图2显示了研究论文在十个领域期刊中的分布情况。在选定的101篇研究论文中有42篇属于材料科学纺织品MST领域占总数的41.%。此外24篇研究论文属于化学应用CA领域(23.8%)20篇研究论文属于工程化学EC领域(19.8%)。数据表明所选研究论文主要集中在MST、CA和EC领域这些分别是纺织、化学和工程领域的期刊。按出版年份分类的研究论文分布及论文引用分析图3展示了研究论文按年份的分布情况表明发表的论文数量关于相关主题在多年间呈现波动趋势。 第 26 页 图3 101篇研究论文按出版年份的分布以及各年出版物总被引次数的变化值得注意的是前6年2013-2018年发表的研究论文总数为49篇平均每年8篇。相比之下后4年发表的研究论文总数为52篇平均每年13篇。这表明智能技术和优化算法在纺织色彩管理领域逐渐普及和发展。此外图3描绘了每年引用次数的变化表明随着时间的推移每年的引用次数从相对稳定的增长转变为相对快速的增长。选定的101篇研究论文的总被引次数为1126次平均每篇研究论文被引11.15次。纺织色彩管理领域使用的智能技术和优化算法的趋势分析本节首先描述了在四个领域中应用的特定智能技术和优化算法1色彩匹配与预测2色差检测与评估3色彩识别与分割4染液浓度与脱色。概述了过去十年纺织色彩管理领域使用的智能技术和优化算法的分布概况。图4显示了色彩匹配与预测研究中使用的主要智能技术。ANN、FL和ANFIS是最常用的智能技术分别占34篇色彩匹配与预测研究论文的64.%和14.%。较少使用的智能技术包括SVM、LSSVM和RNN。应用于色彩匹配与预测研究的主要优化算法是GA、PSO、PSO-FIMIN和ACO分别占34篇色彩匹配与预测研究论文的14.%、11.%和8.8%。其他优化算法如MOEA、NSGAII、RSM、GWO和田口方法使用较少。 第 27 页 2024. 11:13center图4 过去十年应用于色彩匹配与色彩预测的智能技术和优化算法/centercenter图5 过去十年应用于色差检测与评估的智能技术和优化算法/center图5显示了色差检测与评估中使用的主要智能技术1ELM例如ELM、OSLEM、KELM、RELM2SVM例如SVM、LSSVM、LSSVR、SLSSVR、FWSVR3ANN分别占15篇色差检测与评估研究论文的40.%、40.%和33.%。RVFL、K-means算法和T-S FNN作为智能技术使用较少。应用于色差检测与评估的主要优化算法是DE、PSO和RF分别占15篇色差检测与评估研究论文的26.%、20.%和13.%。较少使用的优化算法是Bagging、DPS、HGS、GA、GM(1,1)和GOA。 第 28 页 图6显示色彩识别与分割使用的主要智能技术是聚类算法例如K-means、FCM、X-means、SOM、NGSOM和DPC分别占20篇色彩识别与分割研究论文的50.%、15.%和10.%。ANN、EDSC和SVM作为智能技术使用较少。应用于色彩识别与分割的主要优化算法是PCA。图7显示染液浓度与脱色研究中使用的主要智能技术是ANN和ANFIS分别占该主题32篇研究论文的90.%和12.%。另一方面SVM使用较少。在优化算法方面RSM和GA是染液浓度与脱色研究中使用的主要技术而DE、GRA、PSO、RF和田口方法使用较少。总的来说纺织色彩管理中实施的主要智能技术是1ANN2SVM包括SVM、LSSVM、LSSVR、SLSSVR和FWSVR3FL和ANFIS4聚类算法如K-means、FCM和X-means5ELM如ELM、OSELM、KELM和RELM。较少使用的智能技术包括SOM、NGSOM、DPC、RVFL、EDSC、RNN和T-S FNN。此外在选定的101篇研究论文中最常用的优化算法是RSM、GA、PSO和DE。其他优化算法如ACO、RF、GM(1,1)、MOEA、NSGAII、PCA和田口方法使用较少。纺织色彩管理领域一些智能技术和优化算法的性能比较本节全面概述了应用于纺织色彩管理领域的各种智能技术和优化算法的性能比较。该比较基于它们在诸如1色彩匹配与预测2色差检测与评估3色彩识别与分割4染液浓度与脱色等任务中的有效性。关于色彩匹配与预测Hasanzadeh等人2013证明与RSM模型相比ANN模型表现出更优的预测能力ANN模型的相对误差为1.7%低于RSM模型的1.8%相对误差。同样Hossain等人2017和Haji与Vadood2021证明ANN模型在预测精度方面比FL模型更高ANN模型实现了更高的2Hossain等2017以及更小的RSE、MAE和MAPEHaji Vadood2021Hossain等2017。相反在Haji和Payvandy2020的研究中ANFIS比ANN模型产生了更高的预测精度ANFIS的相关系数优于ANN模型。此外在Vadood和Haji2022a的研究中使用PSO-FMIN算法对ANN进行加权得到的预测结果优于BPNN表现为更小的MSE。关于优化算法Chaouch等人2022证明与GA相比ACO可以提供更好的预测和更高的计算效率这反映在ACO所需的平均MSE更低和计算时间更短。总的来说需要注意的是不同的智能技术可能提供不同水平的预测精度这取决于多种因素如调制方法、应用环境和数据结构。Zhang和Yang2014使用GA优化的SVM方法构建了一个评估模型该模型比传统的朴素贝叶斯算法具有更高的预测精度和更低的相对误差。该模型为染色织物的质量评估提供了更可靠的结果。同样Zhou等人2019a, 2019b, 2019c揭示与基于SVR和ELM算法的传统纺织品颜色校正模型相比DE-OSELM可以提供更优的预测精度。这些模型还被观察到具有更好的泛化性和鲁棒性。此外Zhou等人2019a, 2019b, 2019c证明DE-WOA-ELM模型可以产生比其他方法如ELM、SVM更高的平均分类精度。Li等人2020也证明与传统的KELM模型相比DE-GOA-KELM方法提供了更优的分类精度提高了约8%。最后Zhou等人2021a, 2021b表明与传统的ELM模型相比DPS-DE-RELM模型可以实现更高的分类精度、更快的收敛速度和更强的鲁棒性。从上述研究可以看出通过结合智能技术和优化算法可以提高传统方法或单一智能技术的预测精度和鲁棒性。 第 30 页 关于色彩识别与分割一些研究调查了各种聚类算法的有效性。Ouyang等人2019发现在峰值信噪比和时间效率方面NGSOM聚类算法优于传统的SOM和FCM算法。Zhang等人2019报道与传统的SOM、DPC、K-means和FCM相比使用DPC-SOM算法可以产生更优的预测并且执行时间更短。此外Zhang等人2020证明改进版的K-means算法比标准的K-means、FCM和DPC算法具有更高的执行效率。最后在最近的一项研究中Das和Wahi2022表明使用SVM训练的深度学习卷积网络比传统的BPNN实现了更高的分类精度。这些结果凸显了改进现有智能技术或将其与优化算法相结合以获得更好的预测精度或更高执行效率的潜在好处。根据Mahmoodi等人2017的研究在染液浓度和脱色方面RSM和GA表现出相似的预测精度。同时Vasseghian和Dragoi2018发现hSADE-NN比ANFIS表现出更好的预测精度准确率提高了1.5%。相比之下Nateri等人2019报道ANFIS优于GA表现为使用ANFIS模型获得了更低的MAE和MSE值以及更高的相关系数。同样Baştürk和Alver2019发现与RSM模型相比使用GA优化ANN可以导致更低的预测误差。Saleh等人2021也报道了与RSM模型相比使用ANN模型时相关系数更高。同时Nateri等人2021发现与ANN模型相比ANFIS模型产生的预测误差更少。Zaharia等人2021证明与RF模型相比使用SVM模型可以获得更高的回归相关性。最后Nnaji等人2022发现与ANN和RSM相比ANFIS模型产生了更优的结果具有更高的回归系数和更小的MSE。总的来说上述引用的论文表明预测精度的参考顺序从高到低为hSADE-NN ANFIS ANN RSMANFIS GAGA-ANN RSM以及SVM RF。然而需要注意的是不同的调制方法和应用环境可能会产生不同的预测精度结果。未来发展根据所选文章的描述性统计提出了几个未来的研究方向。首先过去10年关于智能技术和优化算法在纺织色彩管理领域发表的研究论文数量有所波动但总体呈逐年上升趋势这表明智能技术和优化算法在该领域的应用正逐渐普及并快速增长。因此研究人员可以进一步深入研究这些领域。此外当分析纺织色彩管理领域使用的不同智能技术和优化算法时最常用的智能技术是ANN、FL ANFIS、聚类算法例如K-means、FCM、X-means和ELM例如ELM、OSLEM、KELM、RELM而该领域使用的主要优化算法是RSM、GA、PSO、DE。此外将不同的智能技术和优化算法相结合或改进现有算法可以提供比单一或传统智能技术和优化算法更高的预测精度和更快的执行效率。因此未来的创新可能指向改进现有的智能技术并尝试不同的智能技术和优化算法的组合以适应纺织色彩管理领域的应用从而促进预测精度和执行效率的进一步提高。此外值得注意的是智能技术和优化算法的应用在纺织色彩管理领域的四个子领域中并不均匀分布。例如传统的SVM作为智能技术在染液浓度和脱色中的应用较少而SVM作为智能技术在色差检测和评估中应用广泛。此外SVM已被LSSVM、LSSVR、SLSSVR和FWSVR进一步增强这些变体有可能提供更优的预测精度和更快的执行效率。因此一个很有前景的未来方向是利用四个子领域论文中提出的智能技术和优化算法来优化现有技术和算法的使用从而实现改进的预测和更快的收敛。纺织色彩管理领域的另一个创新可能涉及通过迁移学习技术调整预先存在的算法Torrey Shavlik2010。通过这样做该算法可以应用于该领域的其他子领域从而获得更先进、更准确的结果。例如虽然ANNs通常用于色彩匹配和预测但RNNs已显示出提供更精确预测的潜力。因此在通常使用ANNs的子领域如色差检测与评估、染液浓度与脱色中实施RNNs可能会提高预测精度和整体效率。局限性本综述在所选的论文方面存在一些局限性。首先它包含了从Web of Science使用特定关键词检索到的研究论文汇编重点关注智能技术和优化算法在纺织色彩管理领域的应用。这种方法意味着所回顾的文献可能存在一些遗漏因为收集的研究论文仅来自Web of Science数据库中可用的期刊该数据库在期刊可用性方面有限可能无法涵盖所有已发表的研究论文。此外关键词的选择以及作者随后对文章进行的筛选是主观的并依赖于作者自己的解释这也可能导致一些遗漏。此外所回顾的文章时间跨度为2013年至2022年大约涵盖10年这可能无法提供对智能技术和优化算法在纺织色彩管理领域应用的全面展望。尽管智能技术和优化算法具有重要意义但它们的应用受到对研究论文收集和描述所施加限制的制约。例如由于篇幅限制一些技术和算法仅被简要讨论以提供对其应用的背景理解而没有提供详尽细节。在评估这些技术和算法的性能时结果仅来自所选论文仅供参考。预测准确性结果可能因多种因素而异例如调制技术、应用环境和数据结构需要通过实施这些智能技术和优化算法进行进一步研究来验证。结论通过分析2013年至2022年的101篇研究论文本研究全面回顾了智能技术和优化算法在纺织色彩管理中的应用涵盖1色彩匹配与预测2色差检测与评估3色彩识别与分割以及4染液浓度与脱色。研究确定了ANN、SVM及其增强版、FL、ANFIS、聚类算法和ELM以及RSM、GA、PSO和DE等优化算法在该领域被广泛使用。研究发现ANFIS通常优于ANN和FLACO优于GAhSADE-NN优于ANFIS、ANN和RSMSVM优于RF尽管结果可能因所使用的方法和数据结构而异。经过全面分析本文总结了智能技术和优化算法在纺织色彩管理应用中的关键研究趋势并建议未来的研究可以改进现有方法探索新的技术组合或利用迁移学习来提高预测精度和优化效率。缩写词表此处列出所有缩写已包含在原文中现翻译部分关键项ACO 蚁群优化ANFIS 自适应神经模糊推理系统ANN 人工神经网络ANOVA 方差分析CO 组合优化COD 化学需氧量DE 差分进化DPC 密度峰值聚类DPS 动态参数选择DPS-DE 带动态参数选择的差分进化算法EDSC 高效密集子空间聚类ELM 极限学习机FCM 模糊C-均值FL 模糊逻辑FMIN FMINCON算法FRBS 基于模糊区域的分割GA 遗传算法GOA 蚱蜢优化算法GRA 灰色关联分析GWO 灰狼优化HGS 饥饿游戏搜索hSADE-NN 混合自适应差分进化神经网络IGOA 改进的蚱蜢优化算法KELM 核极限学习机LSTM 长短期记忆LSSVR 最小二乘支持向量回归LSSVM 最小二乘支持向量机LR 线性回归MAE 平均绝对误差MLP 多层感知器MOEA 多目标进化算法MOGA 多目标遗传算法MOPSO 多目标粒子群优化MPA 海洋捕食者算法NGSOM 节点增长自组织映射NSGAII 非支配排序遗传算法IIOAs 正交阵列OSELM 在线序列极限学习机PCA 主成分分析PSO 粒子群优化PSO-FMIN 粒子群优化与FMINCON的组合RELM 正则化极限学习机RF 旋转森林RNN 循环神经网络RSM 响应曲面法RMSE 均方根误差RVFL 随机向量函数链接网络R² 决定系数SCA 正弦余弦算法SOM 自组织映射SVM 支持向量机SVR 支持向量回归S/N 信噪比T-S FNN Takagi-Sugeno模糊神经网络WOA 鲸鱼优化算法