1.一种基于神经网络的色纺纱配色方法，其特征是：采用串联神经网络与Stearns-Noechel色纺纱配色模型，具体包括以下步骤：(1)测量标样反射率，并转化为模型反射率；

采用光谱光度仪测试获得标样的反射率Rs，代入配色模型公式，转化为标样模型反射率F(Rs)；光谱光度仪测量条件是波长范围400～700nm，间隔10nm；

(2)采用BP神经网络计算重均模型反射率F(Rw)；

以标样模型反射率F(Rs)为输入，应用BP神经网络进行计算，输出重均模型反射率F(Rw)；

(3)利用约束最小二乘法算法，获得配方C预报方案；

用单色模型反射率F(Ri)拟合步骤(2)获得的重均模型反射率F(Rw)，在约束条件下运算，获得配方C,配方C包括各单色组份和相应比例；

(4)根据预报的配方进行打样，并测得打样色Rp的反射率；

根据配方C进行生产打样，将打样色经光谱光度仪测试后获得反射率Rp；

(5)计算标样反射率Rs与打样色Rp之间的色差，如果色差满足设定要求，就完成配色，否则，进入配方修正程序；

所述步骤(2)中的BP神经网络的输入和输出项均为模型反射率，即反射率都经Stearns-Noechel配色模型公式转化。

2.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于，所述的Stearns-Noechel配色模型公式为：其中:f[R(()]为Stearns-Noechel模型反射率表达式；M为参数，其值与纤维种类与纺纱工艺有关，大小由试验来确定；R(()表示波长为(时的反射率。

3.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于：所述步骤(2)中的BP神经网络的必须事先经过训练。

4.根据权利要求3所述的一种基于神经网络的色纺纱配色方法，其特征在于：所述BP神经网络的训练是以数据库中存储的色纺纱样本和对应配方为训练库，采用光谱光度仪测试获得的储存的色纺纱样本的反射率Rc以及单色的反射率Ri,并分别经Stearns-Noechel配色模型转化为F(Rc)和单色模型反射率F(Ri)，以31维的样本模型反射率数据F(Rc)为输入层，以31维重均模型反射率数据F(Rw)为输出层， 训练时隐含层设为设置范围为“5-50”，训练目标为10-5～10-7。

5.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于所述步骤(3)中采用约束最小二乘法，约束条件为配方中组成单色比例和为“1”，即： 并且组成单色比例均为非负值。

6.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于所述步骤(1)、(2)、(3)中先测量标样反射率，并转化为模型反射率，然后采用BP神经网络计算重均模型反射率F(Rw)，最后利用约束最小二乘法算法，获得配方C预报方案。

7.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于所述步骤(5)中的配方修正程序是采用非线性配方修正方法。

8.根据权利要求7所述的一种基于神经网络的色纺纱配色方法，其特征在于所述非线性配方修正方法，包括如下步骤,首先计算实际打样光谱值与理论计算光谱值间的差值△F(R)＝F(Rp)-F(Rrp)，然后用该差值修正标样的模型光谱F(Rms)＝F(Rs)-△F(R)，以F(Rms)为新的模型反射率光谱输入。