[發明專利]模型訓練方法、色彩配方的預測方法、系統、設備及介質

有效

• 申請號: 202210227941.3
• 申請日: 2022-03-10
• 公開（公告）號: CN114330147B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 李鴻峰;張宸;賈昌武;譚國豪
• 申請（專利權）人: 深圳市玄羽科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08;G16C20/30;G16C20/70
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 馬濤;羅朗

1.一種模型訓練方法，其特征在于，所述模型訓練方法包括：

獲取一歷史訓練數據集，所述歷史訓練數據集包括色彩數據以及與所述色彩數據對應的配方數據；

對所述歷史訓練數據集進行建模分析，以得到與色彩相關的測量數據以及與色彩無關的環境數據；

對所述測量數據進行去相關性換算處理，以得到去相關性換算后的測量數據；

對所述環境數據進行類型區分處理，以得到類型區分后的環境數據；

對所述去相關性換算后的測量數據和所述類型區分后的環境數據進行合并規整處理，以得到合并規整處理后的歷史訓練數據集；

采用數據篩選及擬合算法構建局部線性網絡模型；

基于所述合并規整處理后的歷史訓練數據集訓練所述局部線性網絡模型，以得到訓練后的局部線性網絡模型；

所述訓練后的局部線性網絡模型以所述色彩數據作為輸入，以預測配方數據為輸出。

2.如權利要求1所述的模型訓練方法，其特征在于，所述模型訓練方法還包括：

從所述歷史訓練數據集中獲取測試集；

利用所述測試集測試所述訓練后的局部線性網絡模型的預測結果，以得到所述測試集對應的預測配方數據；

獲取所述測試集對應的真實配方數據；

基于所述預測配方數據與所述真實配方數據計算所述訓練后的局部線性網絡模型的損失值；

基于所述損失值對所述訓練后的局部線性網絡模型進行更新優化。

3.一種模型訓練系統，其特征在于，所述模型訓練系統包括第一獲取模塊、分析模塊、第一處理模塊、第二處理模塊、第三處理模塊、構建模塊和訓練模塊；

所述第一獲取模塊，用于獲取一歷史訓練數據集，所述歷史訓練數據集包括色彩數據以及與所述色彩數據對應的配方數據；

所述分析模塊，用于對所述歷史訓練數據集進行建模分析，以得到與色彩相關的測量數據以及與色彩無關的環境數據；

所述第一處理模塊，用于對所述測量數據進行去相關性換算處理，以得到去相關性換算后的測量數據；

所述第二處理模塊，用于對所述環境數據進行類型區分處理，以得到類型區分后的環境數據；

所述第三處理模塊，用于對所述去相關性換算后的測量數據和所述類型區分后的環境數據進行合并規整處理，以得到合并規整處理后的歷史訓練數據集；

所述構建模塊，用于采用數據篩選及擬合算法構建局部線性網絡模型；

所述訓練模塊，用于基于所述合并規整處理后的歷史訓練數據集訓練所述局部線性網絡模型，以得到訓練后的局部線性網絡模型；

所述訓練后的局部線性網絡模型以所述色彩數據作為輸入，以預測配方數據為輸出。

4.如權利要求3所述的模型訓練系統，其特征在于，所述模型訓練系統還包括第二獲取模塊、測試模塊、第三獲取模塊、計算模塊和優化模塊；

所述第二獲取模塊，用于從所述歷史訓練數據集中獲取測試集；

所述測試模塊，用于利用所述測試集測試所述訓練后的局部線性網絡模型的預測結果，以得到所述測試集對應的預測配方數據；

所述第三獲取模塊，用于獲取所述測試集對應的真實配方數據；

所述計算模塊，用于基于所述預測配方數據與所述真實配方數據計算所述訓練后的局部線性網絡模型的損失值；

所述優化模塊，用于基于所述損失值對所述訓練后的局部線性網絡模型進行更新優化。

5.一種色彩配方的預測方法，其特征在于，所述預測方法包括：

獲取待預測色彩數據；

將所述待預測色彩數據輸入利用如權利要求1-2中任一項所述的模型訓練方法訓練得到的訓練后的局部線性網絡模型，以輸出所述待預測色彩數據對應的配方數據。

6.一種色彩配方的預測系統，其特征在于，所述預測系統包括待預測色彩數據獲取模塊和輸入模塊；

所述待預測色彩數據獲取模塊，用于獲取待預測色彩數據；

所述輸入模塊，用于將所述待預測色彩數據輸入利用如權利要求3-4中任一項所述的模型訓練系統訓練得到的訓練后的局部線性網絡模型，以輸出所述待預測色彩數據對應的配方數據。