文化创意产品是在文化产业背景下, 以营利和传播文化为目标, 融合文化、创意的商品[1], 其既有商品属性, 又有附加文化属性。其中, 文化创意产品的色彩能够传达特定文化意象, 具有先声夺人的艺术感召力[2], 是设计师创意思维的重要组成部分, 影响着消费者的购买决策。因此, 提高文化创意产品色彩设计意象传达的合理性, 对区域文化的有效传达、实现优秀文化的保护与传承、增强产品的市场竞争力具有重要意义。
目前, 关于产品色彩设计方法的研究主要包括基于色彩基础理论的计算机辅助配色设计和基于色彩意象的配色设计两类。在计算机辅助配色设计方面, 文献[3]通过对源图色彩的提取、选择, 对目标色区进行赋色、调整的过程建立了色彩邻接网络模型, 借助交互式遗传算法进行配色方案优化; 文献[4]针对消费者对配色结果表述相对模糊的问题, 提出一种适用于求解复杂高维优化问题的分层蜂群优化算法, 将该算法用于色彩设计模型进行计算机辅助配色; 文献[5]开发了基于色彩网络的配色辅助技术, 辅助设计师自动生成产品配色方案; 文献[6]提出一种基于人工神经网络和改进粒子群优化算法的混合人工智能算法的产品配色决策支持系统。在产品色彩意象研究方面, 文献[7]基于模糊理论建立色彩组合语义集, 运用因子分析方法建立色彩组合调和度评价机制, 以色彩语义贡献因子和用户交互评价结果为进化条件选取和优化色彩组合; 文献[8]针对表达设计师隐性的设计理念问题, 提出使用参考图像与交互式遗传算法结合的辅助配色技术, 将提取的色彩组合映射至配色对象, 提高了设计师在短时间内的配色效率; 文献[9]利用径向基函数神经网络建立了2种情绪评价模型, 将径向基函数神经网络与遗传算法相结合, 研究用户情感偏好下三色产品配色设计的多目标优化方法; 文献[10]提出结合感性工学和交互式遗传算法的产品配色设计方法, 在获得满足用户感性需求的配色方案的同时, 也降低了产品配色环节对专业知识的依赖性。
以上研究为文化创意产品的配色设计提供重要参考, 但不同于一般产品配色中的两色或三色构成, 文化创意产品常包含多种色彩搭配, 且利用语言描述评价用户对配色方案的意象感知偏好更符合用户认知习惯。同时, 为有效体现用户对文化创意产品色彩设计的意象感知, 需引入多用户群体参与配色设计过程, 而从用户群体认知一致性与满意度两方面约束配色设计求解过程, 输出方案能够更好辅助工业设计师进行文化创意产品配色设计, 目前缺乏相关研究。针对上述问题, 本文利用语言偏好描述用户对文化创意产品的色彩意象感知, 借助三角模糊数进行量化处理, 构建了群体评价共识度模型, 通过研究交互式遗传算法的原理和实现流程, 利用用户群体参与交互式配色过程, 集成用户认知一致性和满意度两方面对多用户参与的文化创意产品交互式配色设计进化过程进行约束, 通过色彩美度计算确定文化创意产品配色设计方案优劣, 以提升文化创意产品配色设计的效率、质量和水平。最后, 以兵马俑钥匙扣挂件形象的配色设计为例, 验证了方法的有效性。
1 色彩意象偏好模糊量化文化创意产品的色彩意象反映了用户对该产品的心理感知, 常借助语言表达, 具有模糊性与不确定性。而三角模糊数有助于解决定量数字不能完全表达评价意见的问题[11], 因此本文引入三角模糊数对用户的色彩意象偏好进行量化处理。
模糊数是指给定论域U上的一个模糊集, 对任何x∈U, 都有一个数μ(x)∈[0, 1]与之对应, μ(x)称为x对μ的隶属度, μ(x)称为x的隶属函数, 即模糊数。三角模糊数是将模糊的语言评价变量值转化为确定数值的一种方法, 在评价决策中引入三角模糊数, 能很好解决评价对象属性无法被准确度量而只能用语言进行模糊评价的问题。设评语集I={i0, i1, …, in}代表一组有序的语言评价值的集合, 其中im(1≤m≤n)为该语言集中的一个语言评价结果, 则该结果的三角模糊数可以表示为
(1) |
特别地, 当m=0时,
采用Likert五级量表确定文化创意产品的色彩意象评价等级(n=4), 则其对应的三角模糊数与标度如表 1所示。
语言评价变量 | 三角模糊数 | 评判标度 |
非常不喜欢 | (0, 0, 0.25) | 0 |
不喜欢 | (0, 0.25, 0.5) | 0.25 |
一般 | (0.25, 0.5, 0.75) | 0.5 |
喜欢 | (0.5, 0.75, 1) | 0.75 |
非常喜欢 | (0.75, 1, 1) | 1 |
为使旅游文化创意产品的配色设计更好反映用户意象偏好, 采用多用户群体参与交互式配色设计过程, 而用户群体对设计方案感知的一致性程度反映了配色设计结果的可靠度。因此, 构建共识模型以评判群体感知的一致性。
设用户集为E={e1, e2, …, et}(t≥2)。根据(1)式和表 1, 用户ei(1≤i≤t)对文化创意产品配色方案评价的三角模糊数为
(2) |
采用欧式距离衡量用户群体对文化创意产品色彩意象偏好的差异性, 计算2组三角模糊数
(3) |
则群体评价矩阵之间的距离为
(4) |
采用算术平均值φ聚合所有距离为
(5) |
对文化创意产品配色设计的某一方案, 用户群体的意象偏好共识度为
(6) |
交互式遗传算法是一种进化算法以模拟生物种群的优胜劣汰, 通过选择、交叉、变异进行配色方案进化, 最终得到方案满意解。相比于传统遗传算法, 交互式遗传算法加入了与用户的互动评价, 将用户的偏好与感知等隐性因素嵌入算法中, 能够得到更符合用户感知的满意解[12]。本文考虑群体交互式遗传算法中的用户评价一致性问题, 在对用户意象偏好量化基础上, 以群体意见共识度和满意度两方面驱动交互式遗传配色过程的进行, 其配色设计流程如图 1所示。
3.2 配色交互遗传操作1) 种群设置
根据实际需求, 由设计师设置种群个数。配色方案中采取的个体编码方式为
(7) |
式中: x为色彩分区数量; di为产品的第i个配色区, i=1, 2, …, x; y为产品配色方案包含的色彩数量; rj, gj, bj分别为某一配色区域的R, G, B色彩值, 取值在0~255之间。
2) 生成初始种群
由(7)式得到种群个体编码后, 采取交互式遗传算法, 随机生成个体色彩, 得到初始化种群。
3) 用户评价
采用语言评价变量收集用户意象偏好, 结合三角模糊数得到每一种群的个体评价值, 以便进行下一次种群进化操作。首先, 由用户根据评语集I对种群方案进行评价, 建立三角模糊数矩阵A。当有多位用户进行评价时, 需在多用户评价中选取群体一致性和满意度较高的方案, 作为下一次种群进化的依据。即根据(3)~(6)式计算文化创意产品配色方案的共识度后, 对用户群体评价进行判断, 最终得到方案的评价等级。
4) 种群进化
以上过程得到经过一致性决策的配色方案, 由该子代种群作为基础进行选择、交叉、变异的进化操作, 进一步生成子代个体并重复用户评价与计算过程, 直至得到满意的配色结果。
种群进化包括3个部分: 选择、交叉、变异。
① 选择。使用轮盘赌算法, 其基本思想为各配色个体被选中的概率与其适应度大小成正比。即将个体比值在圆盘上划分, 个体得分按比例转化为选择的概率, 则个体所占圆盘的比例越大, 被选择的概率就越大。
(8) |
式中: pi表示第i个方案被选择成为父本与母本的概率; xi为该方案的评价等级; n为种群方案的个数。
② 交叉。从父本或母本中随机选择色彩进行交叉, 完成该次重组。重复此过程直至获得所有子代个体。
③ 变异。在种群进化中, 变异发生的概率相比于选择、交叉要小得多, 通过设置变异的概率来进化个体。
5) 方案调整
生成用户群体意象感知一致性程度高且评分等级高的配色方案后, 即可结束交互式配色设计过程, 由设计师对配色方案进行细化, 输出文化创意产品配色设计方案。
4 色彩美度计算为更好反映文化创意产品交互式配色设计输出方案的质量, 引入色彩美度分析配色设计的成功程度。色彩美度包括色彩设计的秩序感和配色复杂度, 计算如下所示:
(9) |
式中: M为美度; O为秩序因数; C为复杂度因数。秩序因数O的计算公式如下
(10) |
式中: Og为仅由无彩色灰色组合时的秩序因数; Oh, Ov与Oc为有彩色参与配色时分别仅有色相差、明度差、纯度差决定的秩序因数。
配色复杂度通过计算配色总色彩数和所有可能组合的色对中, 具有色相差、明度差、纯度差的对数, 从而得到复杂度因数C, 如(11)式所示。
(11) |
式中, Cm为配色中的总色彩数; Ch为所有可能组合色对中具有色相差的色对数; Cv为所有可能组合色对中具有明度差的色对数; Cc为所有可能组合色对中具有纯度差的色对数。
根据(9)~(11)式, 计算出色彩秩序感与色彩复杂度, 进一步求出色彩美度M。当M>0.5时, 认为产品配色是美的, 并且符合美学规律, 否则认为是不美的。
5 实例应用以融合陕西文化特色元素的兵马俑钥匙扣挂件形象配色设计为例, 对论文方法进行验证。由于地域文化特性限制, 兵马俑头发与面部特征由设计师预先确定, 服装配色设计方案利用基于CorelDRAW软件的宏编辑器构建的交互式遗传配色设计系统生成。
设定每代种群产生6个配色方案, 选取具有3年以上文化创意产品设计经验的5名设计师参与交互式配色设计过程。
考虑从文化性与独特性两方面进行配色评价, 评语集为: 非常不喜欢(i1)、不喜欢(i2)、一般(i3)、喜欢(i4)、非常喜欢(i5)。为保证种群多样性, 设置淘汰线为“不喜欢以下”, 变异概率为0.15。根据共识度计算公式, 5名用户偏好共识最高是1, 其次是0.858, 但由于用户认知差异存在, 其对文化创意产品的认知较难达成一致, 因此设定群体共识度阈值为0.85。设定属于不同阈值Cr的评价等级如表 2所示。
共识度 | 用户评价 | 一致性决策后的评价 |
Cr < 0.55 | / | i1 |
0.55≤Cr < 0.70 | / | i2 |
0.70≤Cr < 0.85 | / | i3 |
Cr≥0.85 | 至少85%的用户评价为非常喜欢 | i5 |
至少85%的用户评价为喜欢 | i4 | |
至少85%的用户评价为一般 | i3 | |
至少85%的用户评价为不喜欢 | i2 | |
至少85%的用户评价为非常不喜欢 | i1 |
文化创意产品交互式配色设计的基本过程如下:
步骤1 5名用户分别为6个方案进行意象偏好等级评价, 初始种群6个方案的用户语言评价如表 3所示。
方案编号 | 用户编号 | ||||
e1 | e2 | e3 | e4 | e5 | |
c1 | i4 | i1 | i3 | i4 | i2 |
c2 | i1 | i3 | i4 | i1 | i4 |
c3 | i3 | i1 | i1 | i3 | i1 |
c4 | i1 | i2 | i1 | i1 | i2 |
c5 | i3 | i2 | i3 | i2 | i2 |
c6 | i2 | i1 | i2 | i2 | i2 |
步骤2 根据表 1评价语言集及其对应的三角模糊数, 将表 3中的各评价等级转换为所对应的三角模糊数矩阵, 如表 4所示。
方案编号 | 用户编号 | ||||
e1 | e2 | e3 | e4 | e5 | |
c1 | (0.5, 0.75, 1) | (0, 0, 0.25) | (0.25, 0.5, 0.75) | (0.5, 0.75, 1) | (0, 0.25, 0.5) |
c2 | (0, 0, 0.25) | (0.25, 0.5, 0.75) | (0.5, 0.75, 1) | (0, 0, 0.25) | (0.5, 0.75, 1) |
c3 | (0.25, 0.5, 0.75) | (0, 0, 0.25) | (0, 0, 0.25) | (0.25, 0.5, 0.75) | (0, 0, 0.25) |
c4 | (0, 0, 0.25) | (0, 0.25, 0.5) | (0, 0, 0.25) | (0, 0, 0.25) | (0, 0.25, 0.5) |
c5 | (0.25, 0.5, 0.75) | (0, 0.25, 0.5) | (0.25, 0.5, 0.75) | (0, 0.25, 0.5) | (0, 0.25, 0.5) |
c6 | (0, 0.25, 0.5) | (0, 0, 0.25) | (0, 0.25, 0.5) | (0, 0.25, 0.5) | (0, 0.25, 0.5) |
步骤3 计算各配色方案的用户评价共识度。由(3)~(5)式计算表 4所示矩阵中每个方案的聚合评价距离B, 由(6)式得到每一方案的共识度Cr, 然后根据表 2将共识度转化为对应评价等级, 如表 5所示。
文化创意产品交互式配色界面如图 2所示。
步骤4 在交互配色界面依次选择对应的评价按钮及“生成新种群”按钮, 经过交互式遗传算法得到新一代种群, 重复步骤1~4进行评价, 进化直至子代种群的每一方案获得满意度为“喜欢”及以上即可结束配色。经过18代交互式遗传进化操作后, 得到较为满意的子代种群, 其每个方案都得到较高的共识度与评价等级。各代进化种群方案的共识度与用户群体评价等级的变化如图 3所示。
由图 3可知, 在前10代进化过程中, 用户对于配色方案的评价差异较大, 在10代以后趋于一致, 这反映了随着算法的进行, 群体用户的认知差异在逐渐缩小, 算法呈现较好的收敛性。
在进化至第18代时用户群体对文化创意产品的意象感知在共识度和评分满意度上均达到配色要求, 得到群体共识度超过设置阈值与群体评价至少在“喜欢”及以上的6款配色方案, 如图 4所示。
步骤5 色彩美度计算。根据(9)~(11)式, 得到各配色方案的美度如表 6所示。从配色方案的美度分析结果可知, 6个方案的美度M均大于0.5, 符合美度原理。方案1与方案6美度值达到1.52和1.55, 可作为优选配色方案进一步优化。
配色方案编号 | 配色方案HSV值 | Oh | Ov | Oc | C | M |
1 | (104, 11, 92) (93, 67, 72) (219, 82, 44) (127, 28, 50)(4, 75, 97) (2, 100, 74) (234, 63, 97) (118, 85, 60)(147, 9, 84) (189, 72, 85) (186, 69, 70) (26, 99, 90) | 70 | 225.5 | 23 | 209 | 1.52 |
2 | (204, 25, 96) (38, 33, 100) (38, 58, 98) (21, 55, 97)(0, 0, 100) (204, 51, 95) (357, 62, 88) (25, 81, 96)(59, 22, 100) (3, 84, 73) (353, 71, 93) (43, 99, 100) | 74.95 | 134.4 | 23.8 | 201 | 1.16 |
3 | (8, 16, 20) (104, 33, 81) (29, 11, 98) (212, 58, 85)(257, 12, 96) (54, 85, 92) (156, 21, 59) (335, 42, 87)(109, 9, 96) (195, 222, 188) (70, 47, 96) (348, 50, 85) | 77.8 | 209.2 | 24 | 206 | 1.51 |
4 | (214, 136, 250) (59, 22, 100) (245, 87, 66) (249, 11, 95)(231, 100, 74) (183, 60, 96) (247, 56, 93) (34, 47, 93)(192, 2, 95) (62, 42, 75) (97, 183, 61) (55, 90, 94) | 73.6 | 178.5 | 25.4 | 208 | 1.33 |
5 | (219, 78, 90) (234, 63, 97) (226, 81, 42) (303, 53, 59)(151, 58, 86) (104, 33, 81) (203, 73, 85) (162, 28, 65)(105, 95, 71) (186, 69, 70) (38, 33, 100) (130, 75, 98) | 63.1 | 223.2 | 22.6 | 209 | 1.48 |
6 | (168, 91, 51) (187, 56, 88) (353, 70, 95) (198, 30, 72)(205, 54, 43) (216, 89, 81) (52, 91, 98) (26, 99, 90)(357, 45, 79) (214, 136, 250) (181, 46, 79) (293, 59, 86) | 75.8 | 221.9 | 25.3 | 209 | 1.55 |
步骤6 目标用户评价最终方案。为验证用户群体对最终方案的评价与模型计算结果的一致性程度, 选取具有陕西秦始皇帝陵博物院游览经历的用户20名, 对图 4中6个方案从文化性和独特性两方面进行评价。采用三角模糊数收集用户意见, 结果如表 7所示。根据表 7中用户意象偏好计算共识度和6个配色方案的评价等级, 如表 8所示。
用户编号 | 方案编号 | |||||
c1 | c2 | c3 | c4 | c5 | c6 | |
e1 | i4 | i4 | i5 | i4 | i4 | i5 |
e2 | i5 | i4 | i5 | i5 | i4 | i5 |
e3 | i5 | i4 | i5 | i4 | i4 | i5 |
e4 | i4 | i3 | i5 | i4 | i4 | i5 |
e5 | i4 | i4 | i4 | i4 | i4 | i5 |
e6 | i5 | i4 | i4 | i4 | i4 | i5 |
e7 | i5 | i4 | i5 | i4 | i4 | i5 |
e8 | i5 | i4 | i5 | i4 | i4 | i5 |
e9 | i5 | i4 | i5 | i4 | i4 | i5 |
e10 | i4 | i4 | i5 | i4 | i3 | i4 |
e11 | i5 | i4 | i5 | i4 | i4 | i5 |
e12 | i5 | i3 | i5 | i4 | i3 | i5 |
e13 | i5 | i4 | i5 | i5 | i4 | i5 |
e14 | i4 | i4 | i4 | i4 | i4 | i5 |
e15 | i5 | i4 | i5 | i5 | i4 | i4 |
e16 | i5 | i3 | i5 | i4 | i4 | i5 |
e17 | i4 | i4 | i4 | i4 | i4 | i5 |
e18 | i5 | i4 | i5 | i4 | i4 | i5 |
e19 | i5 | i4 | i5 | i4 | i4 | i5 |
e20 | i5 | i4 | i5 | i4 | i4 | i5 |
初始方案 | 共识度Cr | 一致性决策后的评价 |
c1 | 0.860 | 非常喜欢 |
c2 | 0.886 | 喜欢 |
c3 | 0.881 | 非常喜欢 |
c4 | 0.905 | 喜欢 |
c5 | 0.916 | 喜欢 |
c6 | 0.931 | 非常喜欢 |
由表 8可知, 6个方案的用户意象偏好共识度均超过阈值0.85, 且评价等级均达到“喜欢”及以上。其中方案1、方案3、方案6评价等级为非常喜欢, 与步骤1~步骤5计算后得到的优化方案一致, 进一步验证了用户群体实际感知与本文模型结果的一致性与有效性。
6 讨论1) 以用户群体的意象偏好共识驱动文化创意产品交互式配色设计, 目的是使最终的设计方案具有良好的群体认知一致性。当不考虑群体共识时, 各代方案的评价等级将以群体评价均值确定, 反映的是评价群体的分布与集中趋势, 易受用户群体的极端评价影响。若在种群进化时以此为依据确定各代最优个体, 会导致进化过早收敛、进化个体与用户群体意象偏好差距大等问题。而引入共识模型, 以用户群体评价的一致性与满意度两方面作为种群进化约束, 有助于避免用户意见不一致的现象, 使进化个体更好反映用户群体意象偏好。
2) 评价等级与共识度的关系并非正相关。共识模型的作用是确定群体评价的一致性程度, 进而筛选出能够高度代表群体评价的数据, 只有满足共识度阈值的群体评价才会被选择进入种群进化中。如图 3所示, 第11代与第14代个体共识度较低, 但最终评价等级较高, 第16代与第18代种群共识度高, 评价等级也高。可见评价等级的高低与共识度并无直接联系, 共识度由用户群体意象偏好的一致性程度确定。因此, 经过共识模型处理后的群体评价能更好反映群体偏好, 在共识度与评价等级的双重阈值设定下, 能够保证最终的进化个体收敛于趋向高共识度、高评价等级的结果。
3) 本文实验过程采用单机平台, 在基于交互式遗传算法生成配色方案后, 由群体用户参与意象偏好评价, 根据共识度计算结果输入交互式配色系统, 配色效率受到一定制约。后续研究中可进一步将算法拓展到分布式计算机系统、互联网或移动平台, 以提高算法执行效率并进一步验证论文方法在文化创意产品配色设计中的有效性。
7 结论在文化创意产品的配色设计过程中, 引入多用户群体参与有助于提升配色质量。但受到每位用户的知识背景、社会阅历、个人喜好等影响, 群体的偏好感知存在差异。针对该问题, 本文引入模糊理论中的三角模糊数对用户的意象偏好进行量化, 构建了群体共识度模型并将其融入到基于交互式遗传算法的文化创意产品配色设计中, 以群体评价的共识度和满意度为约束驱动方案进化。实例验证表明, 本文所提方法有助于在文化创意产品配色设计中融合多用户群体的意象偏好, 能够有效地辅助设计师输出满足群体共识度和满意度的配色方案, 提高文化创意产品配色设计的质量和效率。
[1] |
何劲涛, 陈登凯, 余隋怀. 基于色彩调和理论的文化创意产品色彩设计与评价方法研究[J]. 西北工业大学学报, 2020, 38(4): 766-773.
HE Jintao, CHEN Dengkai, YU Suihuai. Research on color design and evaluation method of cultural creative products based on color harmony theory[J]. Journal of Northwestern Polytechnical University, 2020, 38(4): 766-773. (in Chinese) DOI:10.3969/j.issn.1000-2758.2020.04.010 |
[2] |
金颖磊, 潘伟杰, 吕健, 等. 基于可拓语义分析的文化创意产品设计方法研究[J]. 工程设计学报, 2017, 24(1): 25-31.
JIN Yinglei, PAN Weijie, LYU Jian, et al. Study on cultural and creative product design method based on extension semantics analysis[J]. Chinese Journal of Engineering Design, 2017, 24(1): 25-31. (in Chinese) |
[3] |
李愚, 刘肖健, 孙艳, 等. 产品配色设计的色彩邻接网络模型[J]. 计算机集成制造系统, 2019, 25(9): 2255-2364.
LI Yu, LIU Xiaojian, SUN Yan, et al. Color adjacent network model for product color design[J]. Computer Integrated Manufacturing Systems, 2019, 25(9): 2255-2364. (in Chinese) |
[4] |
丁满, 孙伟, 马沁怡. 基于色彩空间分布形式的产品配色意象评价[J]. 计算机集成制造系统统, 2010, 16(3): 491-495.
DING Man, SUN Wei, MA Qinyi. Evaluation method for product color combination image based on color spatial layout[J]. Computer Integrated Manufacturing Systems, 2010, 16(3): 491-495. (in Chinese) |
[5] |
朱昱宁, 徐博群, 刘肖健. 基于交互式遗传算法的参考图像辅助配色设计[J]. 包装工程, 2020, 41(2): 181-188.
ZHU Yuning, XU Boqun, LIU Xiaojian. Reference image aided color matching design based on interactive genetic algorithm[J]. Packaging Engineering, 2020, 41(2): 181-188. (in Chinese) |
[6] | DING M, DONG W. Multiemotional product color design using gray theory and nondominated sorting genetic algorithm-Ⅲ[J]. Color Research & Application, 2020, 45(1): 142-155. |
[7] |
刘炯宙, 李基拓, 陆国栋. 色彩语义驱动的产品交互式遗传配色设计[J]. 计算机辅助设计与图形学学报, 2012, 24(5): 669-676.
LIU Jiongzhou, LI Jituo, LU Guodong. Color scheme design through color semantic and interactive genetic algorithm[J]. Journal of Computer-Aided Design & Computer Graphics, 2012, 24(5): 669-676. (in Chinese) DOI:10.3969/j.issn.1003-9775.2012.05.014 |
[8] |
赵黎, 杨连贺, 黄新. 基于多目标蜂群优化算法的计算机辅助配色[J]. 计算机集成制造系统, 2018, 24(2): 381-389.
ZHAO Li, YANG Lianhe, HUANG Xin. Hierarchical multi-hive bee colony algorithm for computer aided color design[J]. Computer Integrated Manufacturing Systems, 2018, 24(2): 381-389. (in Chinese) |
[9] | LI M S, LIAN S Y, WANG F, et al. A decision support system using hybrid AI based on multi-image quality model and its application in color design[J]. Future Generation Computer Systems, 2020, 113: 70-77. DOI:10.1016/j.future.2020.06.034 |
[10] |
刘肖健, 曹愉静, 赵露唏. 传统纹样的色彩网络模型及配色设计辅助技术[J]. 计算机集成制造系统, 2016, 22(4): 899-907.
LIU Xiaojian, CAO Yujing, ZHAO Luxi. Color networks of traditional cultural patterns and color design aiding technology[J]. Computer Integrated Manufacturing Systems, 2016, 22(4): 899-907. (in Chinese) |
[11] | ZADEH L A. Fuzzy sets[J]. Information and Control, 1965, 8(3): 338-353. |
[12] |
朱苗苗, 潘伟杰, 刘翔, 等. 基于BP神经网络代理模型的交互式遗传算法[J]. 计算机工程与应用, 2016, 22(2): 899-907.
ZHU Miaomiao, PAN Weijie, LIU Xiang, et al. Color networks of traditional cultural patterns and color design aiding technology[J]. Computer Integrated Manufacturing Systems, 2016, 22(4): 899-907. (in Chinese) |