[发明专利]模型训练方法、色彩配方的预测方法、系统、设备及介质

权利要求书

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。