摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 引言 | 第12-26页 |
1.1 研究目的与意义 | 第12-13页 |
1.2 研究背景 | 第13-15页 |
1.3 服装流行色 | 第15-17页 |
1.3.1 服装流行色的概念 | 第15-16页 |
1.3.2 服装流行色趋势的发布 | 第16-17页 |
1.3.3 服装流行色预测研究的背景 | 第17页 |
1.4 生物启发式计算 | 第17-24页 |
1.4.1 启发式计算概述 | 第17-21页 |
1.4.2 粒子群算法 | 第21页 |
1.4.3 基于蜂群行为的优化模型与算法 | 第21-24页 |
1.5 研究框架与内容 | 第24-26页 |
1.5.1 论文研究框架 | 第24页 |
1.5.2 论文研究内容 | 第24-26页 |
第二章 服装流行色定案量化与分析 | 第26-36页 |
2.1 引言 | 第26页 |
2.2 选择研究对象 | 第26-29页 |
2.2.1 选择服装流行色定案类别 | 第26页 |
2.2.2 服装流行色定案发布的机构 | 第26-28页 |
2.2.3 色彩体系 | 第28-29页 |
2.3 量化与分类 | 第29-35页 |
2.3.1 色相分类与统计 | 第29-34页 |
2.3.2 明度分类与统计 | 第34-35页 |
2.3.3 纯度分类与统计 | 第35页 |
2.4 本章小结 | 第35-36页 |
第三章 基于群落层次演化的多蜂群协同优化算法 | 第36-60页 |
3.1 引言 | 第36页 |
3.2 生物复杂适应性系统的层级体系演化模式 | 第36-39页 |
3.3 层级生物系统中的个体、种群、群落演化模式 | 第39-40页 |
3.3.1 种群的信息交流模式 | 第39-40页 |
3.3.2 群落的多型共生模式 | 第40页 |
3.4 基于层次协同演化的统一优化模型 | 第40-43页 |
3.5 人工蜂群算法 | 第43-44页 |
3.6 基于分而治之策略的多种群协同演化 | 第44-47页 |
3.6.1 向量分解策略 | 第46页 |
3.6.2 基于交叉操作的增强学习策略 | 第46-47页 |
3.7 基于层次演化的混合蜂群优化算法 | 第47-58页 |
3.7.1 算法描述 | 第47-48页 |
3.7.2 实验与结果分析 | 第48-58页 |
3.8 本章小结 | 第58-60页 |
第四章 基于群落层次演化多蜂群协同算法的神经网络训练 | 第60-76页 |
4.1 引言 | 第60页 |
4.2 神经网络问题背景 | 第60-61页 |
4.3 神经网络 | 第61-62页 |
4.4 BP神经网络 | 第62-64页 |
4.4.1 BP神经网络的概念 | 第62页 |
4.4.2 BP神经网络学习原理 | 第62-64页 |
4.4.3 BP神经网络实现步骤 | 第64页 |
4.5 基于层次演化多蜂群协同算法的BP神经网络训练过程 | 第64-74页 |
4.5.1 曲线拟合测试 | 第65-71页 |
4.5.2 数值计算问题 | 第71-74页 |
4.6 本章小结 | 第74-76页 |
第五章 基于群落层次演化多蜂群协同算法的服装流行色色相预测 | 第76-90页 |
5.1 引言 | 第76页 |
5.2 基于HABCNN理论的女装春夏流行色色相预测 | 第76-87页 |
5.2.1 基于改进神经网络的女装流行色色相预测模型 | 第77-82页 |
5.2.2 预测结果与分析 | 第82-87页 |
5.3 本章小结 | 第87-90页 |
第六章 基于改进的神经网络模型的服装流行色明度与纯度预测 | 第90-112页 |
6.1 引言 | 第90页 |
6.2 基于HABCNN神经网络理论的女装春夏流行色明度预测 | 第90-100页 |
6.2.1 预测流程 | 第90页 |
6.2.2 预测方案设计 | 第90-93页 |
6.2.3 预测结果与分析 | 第93-100页 |
6.3 基于HABCNN神经网络理论的女装春夏流行色纯度预测 | 第100-109页 |
6.3.1 预测流程 | 第100页 |
6.3.2 预测方案设计 | 第100-103页 |
6.3.3 预测结果与分析 | 第103-109页 |
6.4 本章小结 | 第109-112页 |
第七章 总结与展望 | 第112-114页 |
参考文献 | 第114-126页 |
发表论文和参加科研情况 | 第126-128页 |
致谢 | 第128页 |