基于约束Kubelka-Munk模型与梯度局部优化算法耦合的色剂配色方法

针对人工实现快速、准确的色剂配色非常困难的问题,本研究提出了一个基于约束Kubelka-Munk模型与梯度局部优化算法耦合的色剂配色方法,实现涂料和印刷行业半透明和不透明色剂的配方预测。在此方法中,先利用梯度局部优化算法求解在基色色剂和冲淡剂混合基础上的目标函数,计算出基色色剂的吸收系数(K)和散射系数(S)。然后,为了实现任意目标色剂中基色色剂的混合配比,利用基色色剂与冲淡剂的吸收系数与散射系数物理属性对Kubelka-Munk模型进行约束,并通过最小化目标色剂与基色色剂之间的吸收系数与散射系数比值,构建了约束Kubelka-Munk模型,用于预测半透明着色剂和不透明色剂的配方。配方差、光谱反射率差,以及色差的实验结果表明,与传统的Kubelka-Munk模型相比,该方法建立的模型预测混色效果更优。

基于欧式距离聚类的自适应过采样方法

很多分类器难以识别不平衡数据中的少数类,给缺陷检测等众多应用带来了挑战。当前许多过采样方法虽可有效增加少数类样本,但却存在类重叠增加的风险。本研究提出了一种基于欧式距离聚类的自适应过采样方法。该方法采用基于欧式距离的构造覆盖算法对少数类进行聚类,然后自适应识别出相对安全和靠近分类边界的少数类聚类,再在此聚类内采用SMOTE采样步骤合成新少数类样本。通过10个不平衡数据集以及G-mean、F1-measure、AUC等指标验证。实验结果显示,与现有过采样方法相比,该方法在大多数数据集上,G-mean、F1-measure和AUC三个指标均最优。结果表明,本研究方法有效弥补现有分类的缺陷,获得较好分类结果。