DE102007050434A1

DE102007050434A1 - Verfahren und Anordnung zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven und/oder unreaktiven Rohstoffen, Verfahren und Anordnung zum computergestützten Ermitteln einer Formulierung einer Haarcoloration basierend auf chemisch reaktiven und/oder unreaktiven Rohstoffen, und Verfahren und Anordnung zum computergestützten Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven und/oder unreaktiven Rohstoffen

Info

Publication number: DE102007050434A1
Application number: DE102007050434A
Authority: DE
Inventors: Philipp Dr. Spuhler; Ekaterina Dr. Ryjkina; Eugene Dr. Radchenko; Swenja Kalischke; Thomas Dr. Döring; Hartmut Manneck
Original assignee: Henkel AG and Co KGaA
Current assignee: Henkel AG and Co KGaA
Priority date: 2007-10-22
Filing date: 2007-10-22
Publication date: 2009-04-23
Also published as: WO2009053137A3; WO2009053137A2

Abstract

Bei einem Verfahren zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven Rohstoffen und optional zusätzlich unreaktiven Rohstoffen bei Verwendung von chemisch reaktiven Formulierungen werden Informationen über chemisch reaktive Formulierungen einem vorbestimmten Modell zugeführt, wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt. Unter Verwendung des vorbestimmten Modells wird die mindestens eine Eigenschaft des Ergebnisses einer Haarcoloration bei Verwendung der chemisch reaktiven Formulierungen ermittelt.

Description

Die Erfindung betrifft ein Verfahren und Anordnung zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven und/oder unreaktiven Rohstoffen, Verfahren und Anordnung zum computergestützten Ermitteln einer Formulierung einer Haarcoloration basierend auf chemisch reaktiven und/oder unreaktiven Rohstoffen, und Verfahren und Anordnung zum computergestützten Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven und/oder unreaktiven Rohstoffen.
Haarcolorationen weisen unterschiedliche Eigenschaften bezüglich beispielsweise einer Waschbeständigkeit, einer Lichtbeständigkeit, einer Grauabdeckung und beispielsweise einer Haarfärbung oder Haartönung auf. Der chemische Prozess, welcher einer Haarfärbung oder Haartönung zu Grunde liegt, findet dabei üblicherweise mittels einer chemischen Reaktion oder mehrerer chemischer Reaktionen von anfänglich meist farblosen chemischen Substanzen sowohl im als auch am Haar statt. Dabei bilden sich die unterschiedlichen Eigenschaften der Haarcolorationen, wie beispielsweise die Farbe, erst aus dem Zusammenwirken der Inhaltsstoffe des Haarfärbemittel, der Einwirkzeit und der Eigenschaften des Haars beispielsweise der Farbe und der Beschaffenheit, und anderer Parameter aus.
Die Vorhersage von Eigenschaften von Haarcolorationen, als auch die Eigenschaften von neuen Haarcolorationen, beispielsweise in Bezug auf Farbe, Grauabedeckungsindex, Waschechtheit und Lichtechtheit, können bisher nicht zufriedenstellend auf der Basis ihrer Zusammensetzung oder des Herstellungsverfahrens bestimmt werden. Nur durch langjährige Erfahrung auf dem Gebiet der Formulierung von Haarcolorationen ist es bislang für die Experten möglich, Eigenschaften abzuschätzen. Insbesondere bei oxidativen Haarfarbstoffen (permanenten Haarcolorationen) ist dieses schwierig, da die in der Farbcreme vorliegenden Farbstoffvorstufen erst durch Mischen mit einer Entwicklerlösung im Rahmen einer chemischen Reaktion zu den tatsächlichen Haarfarbstoffen reagieren. Die im Haar stattfindenden Reaktionen der Farbstoffe sowohl untereinander als auch an und im Haar sind Gegenstand der Forschung. Man geht davon aus, dass die Farbvorstufen zunächst in das Haar eindringen und erst im Haar zu den tatsächlichen Farbstoffen reagieren. Die Struktur und Menge der entstehenden und im Haar verbleibenden Farbstoffe ist bei handelsüblichen Rezepturen weitgehend unbekannt.
Die Entwicklung von Haarcolorationen mit neuen Eigenschaften ist deshalb aufwändig. Weil der Zusammenhang zwischen der Rezeptur einer Haarcoloration und ihren Eigenschaften im Allgemeinen nicht exakt bekannt ist, müssen bei Optimierung oder dem Design neuer Haarcolorationen viele Experimente durchgeführt werden, bis eine gewünschte Rezeptur gefunden wird. Es besteht daher der Wunsch nach einem Verfahren und einer Vorrichtung, dass diese Optimierung automatisiert durchführt.
Bisher wird bei der Optimierung von Haarcolorationen von bereits bekannten Formulierungen für Haarcolorationen ausgegangen, und diese werden solange verändert, bis eine Verbesserung der Eigenschaften gefunden wurde. Diese Art der Optimierung nennt man eine lokale Optimierung bei der man in der Regel nicht die besten Lösungen im gesamten Formulierungsraum findet, sondern nur die besten Lösungen, die sich im Formulierungsraum in der Nähe der Startformulierung befinden.
Dabei ist es ohne Computerunterstützung in der Praxis nicht möglich, die optimalen Formulierungen beispielsweise auf Grundlage der Optimierungsstrategie Pareto-Menge, Pareto-Front für eine Mehrzahl von Ausgangsgrößen (Zielgrößen) beispielsweise bezüglich einer bestimmten Farbe, einer Optimierung der Herstellungskosten, einer langen Haltbarkeitsdauer und dergleichen, zu finden.
Viele Rezepturen sind üblicherweise „gewachsen", d. h. basierend auf schon existierenden Rezepturen entwickelt. Dabei nimmt durch die ständige Weiterentwicklung der Rezepturen die Anzahl der in der Rezeptur enthaltenen Rohstoffe in der Regel zu. Es besteht der Wunsch, einfachere Ersatzrezepturen zu finden mit identischen oder sogar besseren Eigenschaften und so die Komplexität der Formulierungen zu verringern, also zu dekomplexieren
Es existiert der Bedarf nach alternativen Formulierungen, z. B. wenn durch steigende Rohstoffpreise, Lieferprobleme oder regulatorische Bestimmungen bestimmte Rohstoffe nicht mehr eingesetzt werden sollen. Deshalb wird nach einer Vielfalt von Rezepturen gesucht, die ähnliche Eigenschaften besitzen, aber unterschiedlich zusammengesetzt sind.
Aus EP 1 138 347 A1 sind ein Verfahren und eine Vorrichtung zur maschinellen, individuellen Vorortherstellung von gebrauchsfertigen Haarfarben oder Tönungen bekannt. Das in diesem Dokument beschriebene Verfahren ist lediglich dazu geeignet, eine bekannte Rezeptur aus einem Speicher abzurufen und Haarcolorationen zur individuellen Applikation vorzusehen. Es ist jedoch nicht dazu geeignet, neue Rezepturen zu formulieren oder eine bestehende Formulierung zu optimieren oder ihre Komplexität zu verringern, also zu dekomplexieren.
Weiterhin ist aus EP 1 380 720 A1 ein Verfahren zur Bestimmung der Zusammensetzung eines Colorationsproduktes bekannt.
Gemäß EP 1 380 720 A1 wird die Zusammensetzung von Keratinfasern überprüft und mittels einer Datenbankabfrage von vorgegebenen Rezepturen wird eine Menge an Colorationsmittel für individuelle Anwendungen zusammengestellt. Dieses Verfahren ist nicht dazu geeignet, neue Rezepturen zu beliebigen Parametern beispielsweise bezüglich Kostenreduktion, Waschbeständigkeit, Lichtechtheit zu formulieren oder eine bestehende Formulierung zu optimieren oder zu dekomplexieren.
Der Erfindung liegt das Problem der Bestimmung von Eigenschaften von Haarcolorationen basierend auf einer vorgegebenen Rohstoffzusammensetzung zugrunde. Ferner liegt das Problem der Bestimmung einer Rezeptur basierend auf vorgegebenen Eigenschaften einer Haarcoloration zugrunde.
Die Probleme werden gelöst durch ein Verfahren und eine Anordnung zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen, durch ein Verfahren und eine Anordnung zum computergestützten Ermitteln mindestens einer Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration, und durch ein Verfahren und eine Anordnung zum computergestützten Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen.
Bei einem Verfahren zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven Rohstoffen und optional zusätzlich unreaktiven Rohstoffen werden Informationen über die Formulierung einem vorbestimmten Modell zugeführt, wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt. Unter Verwendung des vorbestimmten Modells wird mindestens eine Eigenschaft einer Haarcoloration einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven Rohstoffen und optional zusätzlich unreaktiven Rohstoffen ermittelt. Unter Eigenschaft ist in diesem Zusammenhang sowohl eine direkte Eigenschaft der Formulierung (z. B. Kosten) als auch eine indirekte Eigenschaft, d. h. ein Ergebnis der Verwendung der Haarcoloration (z. B. Farbe) zu verstehen.
Eine Anordnung zum Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven Rohstoffen und optional zusätzlich unreaktiven Rohstoffen weist eine Eingabeeinheit zum Eingeben von Informationen über chemisch reaktive Formulierungen in ein vorbestimmtes Modell auf sowie eine Modell-Einheit, die ein vorbestimmtes Modell aufweist, wobei das vorbestimmte Modell eine Abbildung von Informationen über die Haarcoloration, eine Formulierung aus chemisch reaktiven Rohstoffen und optional zusätzlich unreaktiven Rohstoffen auf mindestens eine Eigenschaft dieser Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt. Ferner ist eine Haarcolorations-Eigenschaft-Ermittlungseinheit vorgesehen zum Ermitteln der mindestens einen Eigenschaft einer Haarcoloration unter Verwendung des vorbestimmten Modells der Modell-Einheit.
Ein Vorteil dieser Ausführungsform der Erfindung liegt in der nunmehr ermöglichten quantitativen Vorhersage von Eigenschaften von Haarcolorationen, die auch durch einen Laien produktiv eingesetzt werden kann.
Ferner kann ein Vorteil dieses computergestützten Verfahrens beispielsweise der Virtualisierung der Experimente darin gesehen werden, dass Ressourcen bei der Entwicklung neuer Haarcolorationen eingespart werden können bzw. deren Einsatz fokussiert werden kann.
Ein weiterer Vorteil dieses Ausführungsbeispiels der Erfindung besteht beispielsweise darin, dass die Haarcolorationsentwicklung durch das computergestützte Verfahren beispielsweise der Virtualisierung der Experimente beschleunigt wird.
Ein weiterer Vorteil kann darin gesehen werden, dass eine mulitkriterielle Optimierung der Formulierungen und der Prozessparameter, also eine gleichzeitige Optimierung der Formulierung und der Prozessparameter hinsichtlich möglicherweise mehrerer auch gegenläufiger Zielgrößen im gesamten Formulierungsraum durchgeführt werden kann. Gemäß einem Ausführungsbeispiel werden optimierte Kompromisse bzw. global optimierte Lösungen gefunden.
Ein weiterer Vorteil besteht darin, computergestützt Wissen aus historischen Daten zu Haarcolorationen zu extrahieren und Zusammenhänge zwischen Eingangsgrößen, beispielsweise Konzentrationen der Rohstoffe und sonstigen Einstellparameter, und den Ausgangsgrößen, beispielsweise Eigenschaften der Haarcoloration, zu erkennen und für den Produktentwickler nutzbar zu machen, um somit Rezepturinformation optimiert zu nutzen.
Gemäß einem Ausführungsbeispiel der Erfindung wird computergestützt Wissen aus vielen historischen Daten zu Haarcolorationen extrahiert und werden Zusammenhänge zwischen Eingangsgrößen, beispielsweise Konzentrationen der Rohstoffe und sonstige Einstellparameter, und den Ausgangsgrößen, beispielsweise Eigenschaften der Haarcoloration, erkannt und für den Produktentwickler nutzbar gemacht.
Gemäß einem anderen Ausführungsbeispiel der Erfindung wird ein Verfahren zum computergestützten Ermitteln mindestens einer Rezeptur aus chemisch reaktiven Rohstoffen und optional zusätzlich chemisch unreaktiven Rohstoffen für eine Haarcoloration bereitgestellt, wobei mindestens eine Soll-Eigenschaft der Haarcoloration einem vorbestimmten Modell zugeführt wird. Das vorbestimmte Modell beschreibt eine Abbildung von Informationen über Haarcolorationen aus chemisch reaktiven Rohstoffen und optional zusätzlich chemisch unreaktiven Rohstoffen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen. Unter Verwendung des vorbestimmten Modells werden Informationen über chemisch reaktive Formulierungen ermittelt, und aus den Informationen über chemisch reaktive Rohstoffe und optional zusätzlich über chemisch nicht reaktive Rohstoffe wird die Rezeptur basierend auf einer Mehrzahl aus chemisch reaktiven Rohstoffen und optional zusätzlich chemisch unreaktiven Rohstoffen für eine Haarcoloration ermittelt.
Eine Anordnung zum Ermitteln mindestens einer Rezeptur basierend auf einer Mehrzahl aus chemisch reaktiven und optional zusätzlich chemisch unreaktiven Rohstoffen für eine Haarcoloration weist eine Eingabeeinheit auf zum Eingeben von mindestens einer Soll-Eigenschaft der Haarcoloration in ein vorbestimmtes Modell, eine Modell-Einheit, die ein vorbestimmtes Modell aufweist, wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt, sowie eine Formulierungs-Ermittlungseinheit zum Ermitteln von Informationen über chemisch reaktive Formulierungen unter Verwendung des vorbestimmten Modells der Modell-Einheit. Weiterhin ist eine Rezeptur-Ermittlungseinheit zum Ermitteln der Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für die Haarcoloration vorgesehen.
Gemäß einem anderen Ausführungsbeispiel der Erfindung wird ein Verfahren zum computergestützten Ermitteln einer End-Rezeptur (auch bezeichnet als eine Zusammensetzung einer Haarcoloration) von einem oder einer Mehrzahl von chemisch reaktiven Stoffen und/oder nichtreaktiven Stoffen und/oder Formulierungen für eine Haarcoloration, bei dem auf eine Rezeptur einer Mehrzahl von chemisch reaktiven Stoffen unter Verwendung mindestens eines vorbestimmten Modells ein evolutionärer Algorithmus angewendet wird, womit eine End-Rezeptur ermittelt wird, wobei das mindestens eine vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Stoffe und/oder nichtreaktiven Stoffe und/oder Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt, wobei mindestens eine Soll-Eigenschaft im Rahmen des evolutionären Verfahrens berücksichtigt wird, wobei unter Verwendung des vorbestimmten Modells Informationen über chemisch reaktive Stoffe und/oder nichtreaktiven Stoffe und/oder Formulierungen ermittelt werden und wobei auf Grundlage dieser Informationen die End-Rezeptur für eine Haarcoloration ermittelt wird.
Weiterhin ist gemäß einem anderen Ausführungsbeispiel der Erfindung eine Anordnung zum Ermitteln einer Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration bereitgestellt mit einer Modell- Ermittlungseinheit zum Ermitteln einer End-Rezeptur, wobei die Rezeptur-Ermittlungseinheit derart eingerichtet ist, dass auf eine Mehrzahl von vorbestimmten Modellen ein evolutionärer Algorithmus durchgeführt wird, wobei das mindestens eine Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt. Weiterhin weist die Anordnung auf eine Eingabeeinheit zum Eingeben von mindestens einer Soll-Eigenschaft der Haarcoloration in das End-Rezeptur, eine Informations-Ermittlungseinheit zum Ermitteln von Informationen über chemisch reaktive Formulierungen unter Verwendung des mindestens einen Modells, und eine Rezeptur-Ermittlungseinheit zum Ermitteln der End-Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration aus den Informationen über chemisch reaktive Formulierungen.
Gemäß diesem Ausführungsbeispiel ist es ermöglicht, Formulierungen von Haarcolorationen zu dekomplexieren, um einfachere Ersatzrezepturen mit identischen Eigenschaften zu finden oder um Ersatzrezepturen mit sogar besseren Eigenschaften zu bestimmen.
Ein weiterer Vorteil besteht darin, Formulierungen von Haarcolorationen zu diversifizieren, und alternative Formulierungen zu finden, um beispielsweise auf steigende Rohstoffpreise, auf Lieferprobleme oder auf die Begrenzung der Rohstoffauswahl durch regulatorische Bestimmungen reagieren zu können.
Ein Ausführungsbeispiel der Erfindung erlaubt eine Optimierung der Zusammensetzung oder der Herstellungsparameter der Haarcolorationen auch unter Vorgabe von Randbedingungen.
Gemäß einem anderen Ausführungsbeispiel der Erfindung wird ein Verfahren zum computergestützten Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen bereitgestellt, wobei das vorbestimmte Modell unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen trainiert wird, wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet. Eine Teilmenge von Trainingsdatensätzen wird aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells ausgewählt.
In einem anderen Ausführungsbeispiel der Erfindung ist eine Anordnung zum Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen bereitgestellt mit einer Modell-Trainiereinheit zum Trainieren des vorbestimmten Modells unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen, wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet, und mit einer Trainingsdatensatz-Auswähleinheit zum Auswählen einer Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells.
Gemäß noch einem anderen Ausführungsbeispiel der Erfindung ist ein Verfahren zum computergestützten Ermitteln mindestens einer Rezeptur einer Haarcoloration vorgesehen, wobei mindestens eine Soll-Eigenschaft der Haarcoloration einem vorbestimmten Modell zugeführt wird; wobei das vorbestimmte Modell eine Abbildung von Informationen über die Formulierung auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; wobei unter Verwendung des vorbestimmten Modells Informationen über chemisch reaktive Formulierungen ermittelt werden; und wobei aus den Informationen über chemisch reaktive Formulierungen die Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration ermittelt wird.
Beispielhafte Ausgestaltungen der Erfindung ergeben sich aus den abhängigen Ansprüchen. Die beschriebenen Ausgestaltungen der Erfindung gelten sinngemäß für die verschiedenen Ausführungsbeispiele der Verfahren, der Anordnungen sowie der computerlesbaren Speichermedien.
Gemäß einer Ausgestaltung dieses Ausführungsbeispiels enthalten die Informationen über chemisch reaktive Formulierungen mindestens eine der folgenden Informationen: eine Angabe über die Art der Basisformulierung; eine Angabe über das Mischungsverhältnis zwischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung; der pH-Wert einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt; und/oder Konzentrationsangaben über Rohstoffe in einer der Entwicklerlösung, der Farbcreme und/oder der Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt.
In einer Ausführungsform der Erfindung enthalten Formulierungen mindestens einen Farbstoff und/oder mindestens eine Farbstoffvorstufe.
In einer Ausführungsform der Erfindung wird das vorbestimmte Modell unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen trainiert.
Ein Vorteil dieser Ausführungsform der Erfindung kann darin gesehen werden, dass Rückschlüsse aus historischen oder experimentell ermittelten Daten mit einbezogen werden können.
In einer Ausführungsform der Erfindung bildet jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz, wobei eine Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells ausgewählt wird.
In einer weiteren Ausgestaltung der Erfindung werden aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells diejenigen Trainingsdatensätze ausgewählt, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
Ein Vorteil dieser Ausgestaltung der Erfindung liegt darin, dass der zum Trainieren des vorbestimmten Modells verwendete Trainingsdatensatz verbesserte Eigenschaften aufweist und zu einem hinsichtlich der Prognoseeigenschaften verbesserten vorbestimmten Modell führt. Es ist anzumerken, dass in einem Ausführungsbeispiel der Erfindung kein Zusammenhang zwischen Randbedingungen und Straffunktionen für die Optimierung und der Selektion der Datensätze für die Erstellung der Modelle zur Vorhersage der Eigenschaften besteht.
In einer Ausführungsform der Erfindung umfasst die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens Folgendes: eine Farbinformation, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt; eine Information über eine Lichtechtheit der Haarfarbe der Haarcoloration; eine Information über eine Waschechtheit der Haarfarbe der Haarcoloration; eine Information über eine Grauabdeckung der Haarfarbe der Haarcoloration; eine Information über die Kostender Haarcoloration; und/oder eine Information über die Qualität der Haarcoloration.
In einer Ausführungsform der Erfindung wird als das vorbestimmte Modell zumindest eines der folgenden Modelle verwendet: mindestens ein künstliches neuronales Netz; mindestens ein Fuzzy-Logic-Modell; mindestens eine Support Vector Machine; mindestens ein Entscheidungsbaum; mindestens ein Bayes'sches Netz. In einer alternativen Ausführungsform der Erfindung kann als das vorbestimmte Modell jegliches andere geeignete (beispielsweise mit einem Trainingsdatensatz trainierbare) Modell verwendet werden.
Somit hängt die Vorhersage von Eigenschaften einer Haarcoloration oder auch das Ermitteln einer Rezeptur nicht von einem spezifischen Modell ab. Es können beliebige geeignete Verfahren bzw. Modelle aus dem Bereich „Computational Intelligence", „Soft Computing", „Natural Computing", „Machine Learning" eingesetzt werden.
In einer anderen Ausgestaltung der Erfindung enthält die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine Farbinformation, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt, wobei zur Codierung Farbinformation einer der folgenden Farbräume verwendet: Lab-Farbraum; xyY-Farbraum; XYZ-Farbraum; RGB-Farbraum; CMYK-Farbraum; HSV-Farbraum; LCh-Farbraum; I1I2I3-Farbraum; YCbCr-Farbraum; YPbPr-Farbraum; YUV-Farbraum; YIQ-Farbraum.
Die Wahl verschiedener Farbräume das Verfahren und die Anordnung sind gemäß einer Ausgestaltung der Erfindung nicht auf eine bestimmte Charakteristik eines Farbraumes eingeschränkt.
In einer Ausführungsform der Erfindung weist das vorbestimmte Modell eine Mehrzahl von Teil-Modellen auf.
Weiterhin kann zumindest ein Teil-Modell der Mehrzahl von Teil-Modellen eine Abbildung von Informationen über chemisch reaktive Rohstoffe und optional zusätzlich über chemisch nicht reaktive Rohstoffe auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreiben.
In einer Weiterbildung der Erfindung beschreiben alle Teil-Modelle der Mehrzahl von Teil-Modellen jeweils eine Abbildung von Informationen über chemisch reaktive Rohstoffe und optional zusätzlich über chemisch nicht reaktive Rohstoffe auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen.
Ein Vorteil einer Ausführungsform der Erfindung kann darin gesehen werden, dass mittels Verfahren aus dem Bereich „Computational Intelligence", „Soft Computing", „Natural Computing", „Machine Learning", Haarcolorationen unter Verwendung bestimmter Rohstoffe (z. B. Direktzieher, Entwickler, Kuppler, Oxidationsmittel, Stabilisatoren, etc.) und unter bestimmten Einstellungen von Prozessparametern (z. B. ph-Wert) hergestellt werden können.
Gemäß einer Ausführungsform der Erfindung wird der Zusammenhang zwischen Eingangs- und Ausgangsgrößen auf der Grundlage historischer experimenteller Daten von chemisch reaktive Formulierungen von computergestützten Systemen erlernt (z. B. durch Verwendung künstlicher neuronaler Netze, Fuzzy-Systeme, Support Vector Machines, Entscheidungsbäumen oder Bayes'sches Netzen) und in Form von Modellen gespeichert.
Gemäß noch einer anderen Ausgestaltung der Erfindung wird das vorbestimmte Modell verändert und das Verfahren wird wiederholt durchgeführt unter Verwendung des veränderten vorbestimmten Modells.
Die Rezeptur kann unter Verwendung eines evolutionären Algorithmus ermittelt werden, wobei die Optimierung der Population von Haarcolorationen durch evolutionäre Algorithmen durchgeführt wird.
Als ein evolutionärer Algorithmus können beispielsweise genetische Algorithmen, Evolutionsstrategien, genetische Programmierung und evolutionäre Programmierung, verwendet werden.
Der evolutionärer Algorithmus kann zumindest einen der folgenden Mechanismen aufweisen: Evaluation, Mutation, Rekombination, Selektion. Zusätzlich oder alternativ können andere übliche oder zukünftige Mechanismen eines evolutionären Verfahrens eingesetzt werden in einer anderen Ausgestaltung der Erfindung.
Die Informationen über chemisch reaktive Formulierungen kann mindestens eine der folgenden Informationen enthalten: Konzentrationsangaben über die Inhaltsstoffe der chemisch reaktiven Formulierung; eine Angabe über die Art der Basisformulierung; eine Angabe über das Mischungsverhältnis zwischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung; der pH-Wert einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt; und/oder Konzentrationsangaben über Rohstoffe in einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt.
Gemäß einer Ausgestaltung des Trainingsverfahrens werden aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells diejenigen Trainingsdatensätze ausgewählt, für deren verwendete Eingangsgrößen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
In einer Ausgestaltung der Anordnung zum Ermitteln mindestens einer Eigenschaft einer Haarcoloration ist eine Modell-Trainiereinheit vorgesehen zum Trainieren des vorbestimmten Modells unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen.
Weiterhin kann in dieser Ausgestaltung der Anordnung zum Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bilden und es kann zusätzlich eine Trainingsdatensatz-Auswähleinheit vorgesehen sein zum Auswählen einer Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells.
Die Trainingsdatensatz-Auswähleinheit kann eingerichtet sein zum Auswählen derjenigen Trainingsdatensätze aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
In einer Ausgestaltung der Anordnung zum Ermitteln mindestens einer Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration ist die Modell-Einheit derart eingerichtet, dass sie das vorbestimmte Modell verändert und das veränderte vorbestimmte Modell bereitstellt zum wiederholten Ermitteln von Informationen über chemisch reaktive Formulierungen unter Verwendung des veränderten vorbestimmten Modells.
In einer anderen Ausgestaltung der Anordnung zum Ermitteln mindestens einer Rezeptur ist diese eingerichtet zum Durchführen eines evolutionären Verfahrens zum Ermitteln der Rezeptur, wobei gemäß dem evolutionären Verfahren die Rezeptur verändert wird, beispielsweise eines solchen, wie es oben beschrieben worden ist oder im Folgenden noch näher erläutert wird.
In einer Ausgestaltung der Anordnung zum Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen, ist die Trainingsdatensatz-Auswähleinheit eingerichtet zum Auswählen derjenigen Trainingsdatensätze aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
In einem anderen Ausführungsbeispiel der Erfindung ist ein computerlesbares Speichermedium bereitgestellt, auf dem ein Computerprogrammcode gespeichert ist, der, wenn er von einem Prozessor ausgeführt wird, eines oder mehrere der oben oder der im Folgenden beschriebenen Verfahren aufweist.
Ausführungsbeispiele der Erfindung sind in den Figuren dargestellt und werden im Folgenden näher erläutert.
1 zeigt schematisch den mehrschichtigen Aufbau eines neuronalen Netzes;
2 zeigt schematischen den Aufbau und die mathematische Abschätzfunktion eines Neurons;
3 zeigt das Ausführungsform des der Erfindung zugrunde liegenden genetischen Algorithmus;
4 zeigt das Hauptfenster des Programms;
5 zeigt das Bedienungsmenü des Faktorverzeichnis (Factor Dictionary);
6 zeigt das Auswahlmenü der Prädiktionsmodelle (Prediction Models) Fenster.
7 zeigt das Bedienungsmenü des Faktorfunktionsverzeichnis (Factor Functions);
8 zeigt das Bedienungsmenü des Formulierungsdesigners (Formulation Designer);
9 zeigt das Bedienungsmenü des Formulierungsgenerators (Formulation Generator);
10 zeigt die Implementation einer Ausführungsform der vorliegenden Erfindung;
11 zeigt schematisch ein Flussdiagramm zur Implementation einer Ausführungsform der vorliegenden Erfindung;
12 zeigt schematisch ein Flussdiagramm zur Implementation einer Ausführungsform der vorliegenden Erfindung; und
13 zeigt die Optimierung/Filterung der Trainingsdaten.
Im Rahmen dieser Beschreibung werden die Begriffe "verbunden", "angeschlossen" sowie "gekoppelt" verwendet zum Beschreiben sowohl einer direkten als auch einer indirekten Verbindung, eines direkten oder indirekten Anschlusses sowie einer direkten oder indirekten Kopplung. In den Figuren werden identische oder ähnliche Elemente mit identischen Bezugszeichen versehen, soweit dies zweckmäßig ist.
In einer Ausführungsform der vorliegenden Erfindung wird ein System beschrieben, welches auf einem Computer oder einem Gerät ausgeführt werden kann und welches zur Modellbildung mittels neuronaler Netze geeignet ist. Das System wird aus einem Teil, der zur Modellbildung neuronaler Netze geeignet ist, gebildet, hier beispielsweise einem Programm, welches auf einem Prozessor eines Computers abläuft.
Dieses kann kombiniert werden mit einer Software oder Vorrichtung, zur Eingabe und Ausgabe von Nutzerdaten, beispielsweise Farbmischungen und Farbdaten, wie z. B. einer geeignet eingerichteten Farbverarbeitungs-Software, die zusätzlich derart eingerichtet ist, dass sie eines der folgenden Ausführungsbeispiele implementiert.
In einem Ausführungsbeispiel soll nun auf die Colorationsmodellbildung eingegangen werden.
10 zeigt schematisch einen Computer 1002 gemäß einem Ausführungsbeispiel der Erfindung. Der Computer 1002 weist auf eine Zentrale Verarbeitungseinheit (Central Processing Unit, CPU) 1008, eine Speichereinheit 1006 und eine Eingabe-/Ausgabeeinheit 1004. Mittels der Ein-/Ausgabeeinheit 1004 kann mittels einer ebenfalls vorgesehenen grafischen Benutzeroberfläche eines Hauptprogramms, im Folgenden auch bezeichnet als Formulierungsdesigner und Formulierungsgenerator, die Steuerung eines Verfahrens gemäß einem Ausführungsbeispiel der Erfindung vorgenommen werden.
In der Speichereinheit 1006 (beispielsweise aufweisend einen oder mehrere flüchtige Speicher (beispielsweise einen oder mehrere Vielfachzugriffsspeicher (Random Access Memory, RAM) oder einen oder mehrere nicht-flüchtige Speicher (beispielsweise einen oder mehrere Flash-Speicher) sind Trainingsdatensätze, welche im Folgenden noch näher erläutert werden, sowie zuvor ermittelte, beispielsweise optimierte, Formulierungen und der Programmcode, welcher bei dessen Ausführung durch die CPU 1008 eines oder mehrere der folgenden Ausführungsbeispiele realisiert, gespeichert. In der CPU 1008 wird durch den Ablauf des Programmcodes ein Verfahren gemäß einem Ausführungsbeispiel der Erfindung ausgeführt. Zudem wird in der CPU 1008 auch eine Trainingsdatensatzoptimierung, wie sie im Folgenden noch näher erläutert wird, ausgeführt.
11 zeigt schematisch in Form eines Ablaufdiagramms 1100 eine Ausführungsform der vorliegenden Erfindung.
Zu Beginn (nach Starten des Verfahrens in 1102) wird ein „leeres", d. h. ungewichtetes mehrschichtiges künstliches neuronales Netzwerk 1104 vorgegeben. Das künstliche neuronale Netzwerk 1104 weist eine Vielzahl einzelner Neuronen, wie diese mit Bezug auf 2 noch näher erläutert wird. Die Neuronen sind in mehreren Neuronen-Schichten angeordnet, wie in Bezug auf 1 noch näher erläutert wird.
In einem Ausführungsbeispiel der Erfindung werden die Trainingsdatensätze 1108 gebildet aus experimentellen Daten einer Vielzahl durchgeführter und in ihren Ergebnissen durch gemessenen Haarcolorationen, beispielsweise von 336 Haarcolorationen. Die Eingangsgrößen eines Trainingsdatums eines Trainingsdatensatzes 1108 umfassen beispielsweise die Konzentrationen von 47 Rohstoffen in der jeweils verwendeten Farbcreme oder der jeweils verwendeten Entwicklerlösung, die Art der Basisformulierung, das Mischungsverhältnis zwischen der Farbcreme und der Entwicklerlosung und den pH-Wert der durch Mischen der Farbcreme und der Entwicklerlösung gebildeten Anwendungsmischung. Unter den 47 Rohstoffen befinden sich beispielsweise 38 Farbstoffe bzw. Farbstoffvorstufen, wie beispielsweise Kuppler, Entwickler und Direktzieher.
Bei der Modellierung können alternativ die Konzentrationen der Rohstoffe in der Anwendungsmischung verwendet werden, die sich aus den Konzentrationen der Rohstoffe in der Farbcreme und der Entwicklerlösung in Kombination mit dem Mischungsverhältnis berechnen lassen. Die Zielgröße eines Trainingsdatums eines Trainingsdatensatzes 1108 ist beispielsweise die Farbe einer Strähne eines Standardhaars, beispielsweise von weißem Büffelbauchhaar, das mit der Anwendungsmischung behandelt wurde. Diese Farbe wird in diesem Beispiel als 3-wertige Größe im Lab-Farbraum erfasst und dargestellt.
Es können prinzipiell verschiedene Haare, beispielsweise verschiedene Standardhaare, verwendet werden, z. B. braune Haare, menschliche Haare oder auch andere färbbare Materialien.
In alternativen Ausführungsbeispielen der Erfindung können andere Zielgrößen alternativ oder zusätzlich in einem Trainingsdatum eines Trainingsdatensatzes 1108 verwendet werden.
Weitere Zielgrößen können beispielsweise sein:

a. die Lichtechtheit, d. h. die Haltbarkeit der Farbe unter Licht-Bestrahlung, beispielsweise unter UV-Bestrahlung;
b. die Waschechtheit, d. h. die Haltbarkeit der Farbe bei mehrmaliger Wäsche der Strähne;
c. der Grauabdeckungsindex, d. h. ein Maß für die Fähigkeit der Haarcoloration, helle Haare und dunkle Haare gleichmäßig abzudecken;
d. die Rohstoffkosten.

Die Trainingsdatensätze 1008 werden optional gemäß einem Ausführungsbeispiel der Erfindung zur Erlangung einer erhöhten Genauigkeit des zu trainierenden Modells vor Beginn des Trainings des zu trainierenden Modells optimiert bzw. gefiltert.
Die vorgegebenen ermittelten experimentellen Daten werden dabei zunächst einer Vorauswahl unterworfen wie es in 13 in einem Diagramm 1300 gezeigt ist. Um eine ausreichende Qualität bei der quantitativen Vorhersage zu erhalten, ist die Verwendung von Rezepturen, die aus Rohstoffen zusammengesetzt sind, für die eine ausreichende große Datenbasis vorliegt, vorteilhaft. Dazu wurde die Konzentrationsverteilung der eingesetzten Rohstoffe untersucht und anhand dieser die Datensätze gefiltert. Dieses erfolgt gemäß einem Ausführungsbeispiel der Erfindung in zwei Stufen:
In einer ersten Stufe wird das gesamte Konzentrationsintervall des jeweiligen Rohstoffs wird durch die geringste eingesetzte Konzentration x_min (beispielsweise 0%) und die höchste eingesetzte x_max Konzentration festgelegt. Das Intervall x_max und x_min kann für jeden Rohstoff unterschiedlich sein (z. B. für Rohstoff A im Bereich 0%–10% und für Rohstoff B im Bereich 2%–3%). Anschließend werden die Konzentrationsintervalle normiert zu:
Die normierten Konzentrationsintervalle beispielsweise das Intervall zwischen 0 und 1 wird anschließend in 10 Teilintervalle oder auch Levels zu jeweils 0,1, wie durch Bezugszeichen 1304 beispielhaft verdeutlicht, aufgeteilt. Wenn für einen Rohstoff mindestens m (beispielsweise m = 2) Levels existieren mit mindestens n (beispielsweise n = 3) enthaltenen Datenpunkten, so kann dieser Rohstoff (beispielsweise bezeichnet mit Bezugszeichen 1302 in 13) bei der nachfolgenden Modellierung (beispielsweise dem Trainieren des zu trainierenden Modells) berücksichtigt werden. Es ist anzumerken, dass die Parameter x, m, sowie n grundsätzlich beliebig gewählt werden können und beispielsweise experimentell an die spezifischen Bedingungen angepasst werden können.
In einer zweiten Stufe werden im Anschluss alle Rezepturen ausgewählt, die aus ausschließlich aus dieser Rohstoffauswahl 1302 zusammengesetzt werden. Andere Rezepturen werden nicht weiter berücksichtigt und die Einträge für die Modellierung gelöscht, anders ausgedrückt, die anderen Rezepturen werden im Rahmen des Trainings des zu trainierenden Modells nicht berücksichtigt.
Da in der zweiten Stufe die Anzahl der Datensätze verkleinert wird, wird das Verfahren solange mit der ersten Stufe beginnend wiederholt, bis sich die Anzahl der zu verwendenden Faktoren und Formulierungen nicht mehr ändert.
Das in der vorliegenden Ausführungsform verwendete künstliche neuronale Netzwerk 1104 weist Eingangswerten Ausgangswerte mittels eines Netzwerks von gewichteten Verknüpfungspfaden zu.
Die Eingangsparameter können beispielsweise sein: die Originalhaarfarbe, der Haarzustand und die Haarlänge, die Art der Applikation, die Zusammensetzung der Colorationsmischung, die Temperatur und andere Applikations-Randbedingungen.
Die Ausgabeparameter können die Parameter sein, die nach der Färbung erzielt werden sollen, wie beispielsweise die Haarfarbe und andere Eigenschaften, wie beispielsweise die Farbstabilität.
Die Gewichtung bezeichnet die Übergangswahrscheinlichkeit (auch bezeichnet als Verbindungsstärke) von einem Knotenpunkt des KNN zu einem diesem nachfolgenden Knotenpunkt, und bemisst sich aufgrund von Erfahrungswerten, die in einer Trainingsphase statistisch aus einer Menge von experimentellen Daten hergeleitet werden. Die Übergangswahrscheinlichkeit zwischen den Knotenpunkten werden in einer Lernphase bzw. Trainingsphase des künstlichen neuronalen Netzwerkes ermittelt und später für die Schätzung (Prädiktion) von Zielparametern bei einer anderen Kombination von Eingangsparametern eingesetzt. Die Interaktionen zwischen relevanten Faktoren sind zahlreich und komplex.
In einer Ausführungsform der Erfindung wird ein solches Modell abgeleitet auf Basis der Methoden der künstlichen neuronalen Netzwerke (KNN). Künstliche neuronale Netzwerke werden im Rahmen des Softcomputings zur Modellierung von komplexen, nicht-linearen Beziehungen zwischen Eingangsparametern und Ausgangsparameter ohne die vorangegangene Spezifizierung von einzelnen formal vorgegebenen Beziehungen eingesetzt. Jedoch können andere statistische Techniken, welche ähnliche Merkmale aufweisen, eingesetzt werden in alternativen Ausführungsbeispielen der Erfindung.
Eine Ausführungsform der Optimierung der Formulierung wird durch folgende Schritte erlangt (siehe 11).
In 1112 wird ein künstliches neuronales Netz (KNN) unter Verwendung der in 1110 ermittelten Trainingsdaten (eingegeben in die Trainings-Software in 1106) oder werden mehrere künstliche neuronale Netze (KNNs) trainiert. Dabei wird eine Veränderung des oder der KNNs in Form einer Evolution durchgeführt, in der die Gewichte und gegebenenfalls auch die Kombination der Verbindung der Knoten in den unterschiedlichen Neuronen-Schichten durchgeführt wird (wobei sogar einzelne Verbindungen zwischen Neuronen unterschiedlicher Neuronen-Schichten entfernt oder neu hinzugefügt werden können), bis in 1114 ein vorgegebener quantitativer Zusammenhang zwischen den Eingangsgrößen und der Zielgrößen erzielt ist.
In einer Ausführungsform wird dazu für jede der drei Zielgrößen L, a und b ein eigenes Modell basierend auf einem KNN verwendet. In einem alternativen Ausführungsbeispiel der Erfindung können auch mehrere Zielgrößen in einem gemeinsamen KNN berücksichtigt werden. Zur Erzielung einer möglichst guten Abbildung der Eingangsparameter auf die jeweiligen Zielgrößenwerte der zum Trainieren verwendeten Trainingsdaten sind gemäß einem Ausführungsbeispiel mehrere rekursive Schritte vorgesehen, weil im Beispiel von einer Anwendungsmischung für Haarcolorationen die Farben erst nach der Abfolge einer Vielzahl von chemischen Reaktionen entstehen.
Dieses oder diese trainierten KNN-Modelle werden in 1116 zur Weiterverarbeitung geeignet formatiert und zur weiteren Verwendung durch ein anderes Programm exportiert. Die exportierten Modelle werden anschließend in die Haarcolorations-Modellierungs-Software importiert und eingebunden. Die Haarcolorations-Modellierungs-Software ermöglicht mit Hilfe des oder der importierten KNN-Modelle die Vorhersage der Farbe von existierenden als auch rein virtuellen Rezepturen. Sie erlaubt ferner die Visualisierung der experimentell bestimmten als auch von vorhergesagten Farben. Zudem ist mit dieser Software gemäß einem Ausführungsbeispiel der Erfindung die Optimierung von Rezepturen hinsichtlich gewünschter Einstellungen der Zielgroßen (z. B. vorgegebene Farbe) möglich.
Das Design neuer Formulierungen wird gemäß einem Ausführungsbeispiel der Erfindung (dargestellt in einem Ablaufdiagramm 1200 in 12) durch zwei Funktionalitäten unterstützt, einerseits durch einen Formulierungsdesigner (Formulation Designer), anderseits durch einen stochastischen Formulierungsgenerator (Formulation Generator). Der Formulierungsdesigner in 12 ermöglicht die manuelle Einstellung der Eingangsparameter und Zielgrößen in einer grafischen Benutzeroberfläche. Im Ablaufdiagramm ist das Design einer neuen Formulierung 1220 dargestellt. Grundlage ist das importierte trainierte KNN, aus 11. Anfänglich werden die Startformulierung und die gewünschte Zielvorgabe in Schritt 1222 festgelegt. Dann wird in Schritt 1224 eine manuelle Änderung der Eingangsparameter durch Änderung der Parameter in dem Fenster des Formulierungsdesigners durchgeführt. Nun wird das Ergebnis der KNN Ausgabe mit der Zielvorgabe 1226 verglichen und der Schritt der manuellen Änderung der Eingangsparameter solange wiederholt, bis die Zielvorgabe erreicht wird. Anschließend wird das Ergebnis der dann vorliegenden Formulierung 1232 ausgegeben. Dieses wird als eine die Farbe repräsentierenden Farbwert (bzw. der Farbpunkt im Farbraum) in einem Fenster am Bildschirm des Benutzers angezeigt.
Der stochastische Formulierungsgenerator ermöglicht die Optimierung 1210 einer Formulierung. Dabei optimiert dieser die Formulierungen bezüglich bestimmter Zielgrößen unter Berücksichtigung von Randbedingungen 1212 beispielsweise der Optimierung der Randbedingungen Farbe und Kosten bei einer festgelegten Anzahl von Rohstoffen. Nach der Festsetzung der Randbedingungen wird die Population von Formulierungen initialisiert. Nun wird das Ergebnis der KNN Ausgabe mit der Zielvorgabe 1218 verglichen und der Schritt der manuellen Änderung der Eingangsparameter solange wiederholt, bis die Zielvorgabe erreicht wird. Anschließend wird das Ergebnis der dann vorliegenden Formulierung 1230 ausgegeben. Dieses wird als eine die Farbe repräsentierenden Farbwert (bzw. der Farbpunkt im Farbraum) in einem Fenster am Bildschirm des Benutzers angezeigt.
In einem Ausführungsbeispiel der Erfindung ist es vorgesehen, dass für den Fall, dass im Rahmen des Trainings, anders ausgedrückt beispielsweise bei der Veränderungen der Gewichte oder der Kopplungen in dem zu trainierenden Modell (beispielsweise Veränderungen in Faktoren oder Faktorfunktionen des zu trainierenden Modells), Veränderungen auftreten, die zu einer Manipulation der Struktur oder der Gewichte außerhalb eines vorgegebenen zulässigen Bereichs auftritt, kann der Benutzer entsprechend informiert werden.
Der Formulierungsdesigner bildet anschaulich die Arbeitsweise der Produktentwickler im Rechner nach und stellt somit anschaulich ein virtuelles Labor bereit:
Ausgehend von einer gewählten Formulierung werden die Faktoren (anders ausgedrückt, die das jeweilige Modell in seiner Abbildung beschreibenden Parameter) durch den Anwender solange verändert, bis sich die gewünschten Zielgrößen (gemäß den verwendeten Trainingsdaten) einstellen. Durch den Formulierungsdesigner ist eine schnelle computergestützte Überprüfung für einen Anwender interessanter Formulierungen unter Verwendung der zuvor erstellten Modelle möglich. Ferner unterstützt der Formulierungsdesigner beispielsweise einen Anwender bei der Auswahl der aussichtsreichsten Formulierungen von Haarcolorationen. Diese Vorauswahl (Pre-Screening) schont experimentelle Ressourcen.
In 1 ist eine Multi-Layer-Feed-Forward Netzwerkarchitektur eines künstlichen neuronalen Netzes 100 gemäß einem Ausführungsbeispiel der Erfindung dargestellt.
Das künstliche neuronale Netz 100 weist beispielsweise auf:
eine Eingangsschicht 102 mit einer Vielzahl von Eingangsneuronen 110 (beispielsweise mit fünf Eingangsneuronen 110), eine erste verdeckte Neuronen-Schicht 104 mit einer Vielzahl von ersten verdeckten Neuronen 112 (beispielsweise mit drei ersten verdeckten Neuronen 112), eine zweite verdeckte Neuronen-Schicht 106 mit einer Vielzahl von zweiten verdeckten Neuronen 114 (beispielsweise mit drei zweiten verdeckten Neuronen 114) und eine Ausgangsschicht 108 mit einem oder einer Mehrzahl von Ausgangsneuronen 116 (beispielsweise mit ein oder zwei Ausgangsneuronen 116).
Es können in alternativen Ausführungsbeispielen beliebig viele Schichten (mit jeweils beliebig vielen Neuronen in einer jeweiligen Schicht) in einem künstlichen neuronalen Netz 100 vorgesehen sein. Die Schichten 102, 104, 106, 108 weisen jeweils Knotenpunkte auf, die so genannten Neuronen 110, 112, 114, 116. Auf die Funktionsweise und die Entscheidungsfunktion der Neuronen 110, 112, 114, 116 wird nachfolgend genauer eingegangen. Die Neuronen 110, 112, 114, 116 sind, wie oben beschrieben worden ist, in verschiedenen Schichten 102, 104, 106, 108 angeordnet. Die Schichten 102, 104, 106, 108 bilden eine Schichten-Sequenz, so dass jedes Neuron mit einigen oder allen Neuronen der vorhergehenden und der nachfolgenden Schicht 102, 104, 106, 108 verbunden ist. Die erste Schicht (Eingangsschicht 102) empfängt Werte der Eingangsparameter (beispielsweise x₁, x_j, x_n) des Modells, die letzte Schicht (Ausgangsschicht 108) der Schichten-Sequenz gibt geschätzte Zielparameter (beispielsweise y₁, ..., y_m) aus und andere dazwischen liegende Schichten (eine oder mehr verdeckte Schichten 104, 106) führen die Transformationen durch, die sich im Rahmen des Trainings unter Verwendung der Trainingsdaten ergeben gemäß dem gewählten Trainingsverfahren.
In 2 ist ein Neuronenmodell für ein Neuron 110, 112, 114, 116, schematisch dargestellt. Gemäß dem Neuronenmodell nimmt das Neuron eine Mehrzahl von Eingangssignalen 200 auf. Die Eingangssignale 200 können auch mittels eines Eingangsvektors (beispielsweise x₁, ..., x_i, ..., x_n) beschrieben werden. Die Eingangssignale 200 werden mit einem Gewichtungsvektor w_j gewichtet und einer gewichteten Summation 210 beispielsweise gemäß folgender Vorschrift zugeführt: Σwjxj. (1)
Nachfolgend wird eine nicht-lineare Transformation 212 mittels einer Aktivierungsfunktion f(x) durchgeführt, und anschließend werden die Ergebnisse 214 der Transformation gemäß der Aktivierungsfunktion f(x) ausgegeben. Die Ergebnisse 214 der Transformation gemäß der Aktivierungsfunktion können auch mittels einer Schwellwertfunktion oder einem Schwellenwert zu einer binären Ergebnisfunktion abgeschätzt werden.
Die Aktivierungsfunktion kann eine beliebige geeignete Struktur aufweisen.
Eine Ausführungsform der nicht-linearen Transformation ist die Sigmoid Transformationsfunktion, welche durch die folgende Formel f(x) = 1/(1 + e – x) definiert ist:
Alternativ können auch andere Funktionen, beispielsweise Schwellenwertfunktionen oder abschnittweise definierte Funktionen eingesetzt werden.
Ferner können auch andere Arten von Neuronen, z. B. Perzeptronen, biologische Neuronen, gepulste Neuronen, etc. eingesetzt werden. Zudem kann in einem jeweiligen Neuron auch als Zwischenschritt ein Zustand abgelegt werden.
Das Modell wird aufgrund einer neuronalen Netzwerkarchitektur und einer Menge von experimentell ermittelten „Eingabe-Ausgabe" Datenpunkten als Trainingsmenge (oder Trainingssatz) gebildet.
Das Modell wird im Einzelnen gebildet, durch willkürliche Initialisierungen und iterative Optimierungen der Menge der Gewichte oder Gewichtungen w_jk, um beispielsweise den quadratischen Mittelwert der Distanz zwischen den experimentell ermittelten und geschätzten Ausgangswerten für jeden Eingangswert zu optimieren. Man bezeichnet dies auch als Training des Netzwerkes oder als Lernphase.
Eine Vielzahl von nicht-linearen Optimierungstechniken, wie sie an sich bekannt sind, können in einem alternativen Ausführungsbeispiel der Erfindung angewendet werden.
In einer Ausführungsform wird das back-propagation-feed-forward-mehrschichtiges-neuronales-Netzwerk mit entweder der generalisierten Delta-Regel oder dem Resilient Propagation (RPROP) Lernalgorithmus mit frühzeitigem Abbruch (early stopping) gesteuert. Es wird zur Steuerung ein Zurückhalte-Validationsdatensatz eingesetzt. Dazu wird zur Steuerung der Modell-Prädiktionsfähigkeit eine Untermenge der verfügbaren Daten, gemeinhin als Validationsdatensatz bezeichnet, eingesetzt, so dass in jeder Iteration die Zuverlässigkeit des Modells, welches aus dem Trainingsdatensatz erzeugt wird, gegen den Validationsdatensatz verifiziert wird. Andere Arten künstlicher neuronaler Netze und nicht statistischer Lernmethoden, welche ähnliche Merkmale vorsehen, können in einem alternativen Ausführungsbeispiel der Erfindung vorgesehen sein. Andere Arten neuronaler Netzwerke, wie radiale Basisfunktionennetze (RBF-Netze) und Fuzzy-ART-Map (vorhersagendes adaptives Resonanztheorie Netzwerk) können in einem Ausführungsbeispiel eingesetzt werden. Zudem können auch unterschiedliche Kernel-basierte Methoden für nicht neuronale Netzwerkansätze für diesen Zweck als zu trainierendes Modell eingesetzt werden, beispielsweise das Support Vector Regression Verfahren.
Zur Vorbereitung der Modellbildung werden gemäß einem Ausführungsbeispiel der Erfindung zwei vorbereitende Schritte durchgeführt.
Die Daten werden gefiltert, um unterrepräsentierte Faktoren zu entfernen. Dieses erhöht die Genauigkeit und Stabilität der nachfolgenden Datenmodellierung. Beispielsweise kann ein Histogramm zur Darstellung der Verteilung von jedem Eingangsfaktor aufgestellt werden. Daraus werden lediglich die Faktoren verwendet, welche sich über einen ausreichenden Wertebereich erstrecken und eine vorgegebene Mindestanzahl ausreichend belegter Niveaus erreichen, wie oben beispielsweise unter Bezugnahme auf 13 beschrieben wurde. Diese Prozedur kann mehrfach wiederholt durchgeführt werden um Faktoren, die nach der Entfernung anderer Faktoren und Datenpunkte sich als unterrepräsentiert herausstellen, zu berücksichtigen.
Zweitens können nicht-lineare Modifikationen der Eingangsfaktoren in die Analyse eingeführt werden, beispielsweise Quadratwurzel, quadratische und/oder inverse Funktionen der Originalfaktoren oder auch abgeleitete ganzzahlige Größen wie die Anzahl der Eingangsfaktoren.
Zur Verdeutlichung werden im Folgenden Beispiele für die Datenfilterung angeführt.
In einem Beispiel weist der Rohdatensatz 336 Datenpunkte auf, welche durch 74 Faktorenwerte gekennzeichnet sind. Der minimal erforderliche Bereich für die Datenfilterung betrug 0,001 und ein 10-Level-Histogramm wurde erstellt, worin die Faktoren mindestens zwei Levels mit jeweils mindestens zwei Datenpunkten aufweisen müssen. Daraus wird ein repräsentativer Datensatz von 324 Punkten gebildet, wodurch jeder Punkt durch 48 Faktorwerte gekennzeichnet ist.
In einem weiteren Beispiel wird die Bildung eines künstlichen neuronalen Netzwerkmodells dargestellt.
In diesem Beispiel beträgt die Anzahl der Werte 136, einschließlich 48 Originalfaktoren und 88 Modifikationen. Der Gesamtdatensatz weist beispielsweise nach erfolgter Filterung auf die oben beschriebene Weise 324 Punkte auf und wurde in einen Trainingsdatensatz von 291 Punkten und in einen Validationsdatensatz von 33 Punkten aufgespaltet.
Die Zielfarbparameter L, a und b wurden mittels eines Feed Forward KNN mit einer verdeckten Schicht mit je zwei die RPROP Optimierungsmethode einsetzende Neuronen getrennt modelliert.
Für den L-Parameter wurde das optimale Modell bei Iteration 5644 erzielt. Dabei wurde ein Korrelationskoeffizient R = 0,97, ein Trainings-RMS-Fehler von 3,36 und ein Validations-RMS-Fehler von 2,79 erzielt.
Für den a-Parameter wurde das optimale Modell bei Iterationsschritt 20591 erzielt. Es wurde dabei ein Korrelationsfaktor von R = 0,98, ein Trainings-RMS-Fehler von 1,95 und ein Validations-RMS-Fehler von 1,59 erzielt.
Für den b-Parameter wurde das optimale Modell bei Iterationsschritt 5474 erzielt. Es wurde dabei ein Korrelationskoeffizient von R = 0,96, ein Trainings-RMS-Fehler von 2,79 und ein Validations-RMS-Fehler von 3,50 erzielt.
Bezug nehmend auf 3 wird nun die Generierung von voraussichtlichen Formulierungen geschrieben. In einer bevorzugten Ausführungsform wird ein genetischer Algorithmus zum Bilden eines Lösungsdatensatzes als Kombination von Eingangsfaktorwerten eingesetzt, welche den spezifizierten Zielfarben entsprechen und auch andere relevante Erfordernisse erfüllen. Ein solcher Algorithmus umfasst die Bildung einer Population von potentiellen Lösungen und nachfolgende Interaktion (Rekombination), Modifikation (beispielsweise Mutation oder Drift) und Selektion in einem stochastischen Prozess gemäß der Darwinschen Evolutionstheorie.
Ein möglicher Ablauf ist in einem Ablaufdiagramm 300 in 3 dargestellt.
Anfangs ist eine Eingangspopulation 302 von Daten gegeben. Der Datensatz kann auch eine Vorauswahl oder ein optimierter Datensatz sein.
In 304 werden Operatoren ausgewählt, welche die nachfolgend beschriebenen Operatoren sein können, als können aber auch beliebige Faktoren, beispielsweise andere mathematische Faktoren oder logische Faktoren sein.
Es werde in der vorliegenden Ausführungsform drei folgenden Evolutionsoperatoren eingesetzt: Mutation, Crossover und/oder Drift.
Im Falle der Mutation wird für ein Elter bzw. Individuum bzw. einen Lösungunsgkandidaten, ein einzelner zufällig ausgewählter Faktor in vorbestimmten, festgelegten Schritten verändert.
Im Falle des Crossovers werden zwischen zwei Eltern bzw. zwischen zwei Individuen bzw. zwei Lösungskandidaten die Faktorwertvektoren in zwei zufällig aufgeteilten Sektionen miteinander ausgetauscht, so dass jede Kindlösung einen ersten Teil von dem einen Elternteil und einen zweiten Teil von dem anderen Elternteil erhält.
Im Falle des Drifts wird für ein Elternteil bzw. Individuum, bzw. Lösungskandidaten, ein geringer zufälliger Versatz in einen einzelnen, zufällig ausgewählten Faktorwert eingeführt.
In 306 werden die Eltern ausgewählt, d. h. es werden die Individuen bestimmt die reproduziert werden und Individuen bestimmt, die ersetzt werden. Diese Auswahl, die in diesem Beispiel wahrscheinlichkeitsbasiert erfolgt, wird durch den effektiven Fitnesswert gesteuert, der sich nach einer oder mehreren der folgenden Komponenten bemisst:
Die Farbdifferenz, beispielsweise ΔE, zwischen der Zielfarbe und der Farbe, welche durch das Modell für diese Kombination von Faktorwerten vorhergesagt wird.
In einem Ausführungsbeispiel der Erfindung wird in dem Fitness-Strafwert (auch bezeichnet als Fitness-Penalty-Wert) die Verletzung von vorgegebenen Grenzen berücksichtigt.
In einem Ausführungsbeispiel der Erfindung wird in dem Effektiv-Fitness-Bonuswert das Alter der Lösung berücksichtigt.
In einem Ausführungsbeispiel der Erfindung wird in dem Effektiv-Fitness-Bonuswert die Einzigartigkeit der Lösung berücksichtigt.
Werden diese Werte für eine erzeugtes Modell eingehalten, wird in Schritt 312 eine Konvergenz angezeigt; werden diese Werte nicht eingehalten, so wird keine Konvergenz angezeigt und das Verfahren wird unter Verwendung dieser Ergebnisse in 304 fortgeführt.
In 308 werden aus dem selektierten Elter oder den selektierten Eltern durch Reproduktion die Kinder erzeugt.
In 310 wird die Population angepasst. Danach erfolgt eine Bewertung der Population entsprechend der Konvergenz zur gewünschten Lösung. Wurde keine optimale Lösung gefunden, anders ausgedrückt, wurde keine geeignete Formulierung (anders ausgedrückt Rezeptur) ermittelt, werden die Schritte 304, 306, 308 und 310 wiederholt. Die Schritte können zudem auch parallel oder in anderer Reihenfolge, als auch rekursiv oder beliebig wiederholt durchgeführt werden. Anderenfalls liegt eine optimale Lösung vor.
In alternativen Ausführungen der Erfindung können alternative Optimierungsmethoden insbesondere aus dem Gebiet der heuristischen Optimierungsverfahren eingesetzt werden, wie beispielsweise Evolutionsstrategien, simulierte Abkühlung, Sintflutalgorithmus, Ameisenalgorithmus, Schwarmoptimierung.
Das künstliche neuronale Netzwerk, allgemein das zu trainierende oder das trainierte Modell, wie es oben beschrieben wurde, wird nun eingesetzt zur Vorhersage der sich ergebenden Farbe für eine beliebige Kombination von Faktorwerten, anders ausgedrückt, von Eingangsparametern, beispielsweise die oben beschriebenen Eingangsparameter. Jedoch kann dieses auch durch andere Modellmethoden in einem alternativen Ausführungsbeispiel der Erfindung ersetzt werden.
Zudem werden in einem alternativen Ausführungsbeispiel der Erfindung neben der Farbe alternativ oder zusätzlich andere Zielgrößen berücksichtigt.
In einer Ausführungsform wird der vorgegebene einzuhaltende Bereich eines Parameters im Rahmen der Optimierung durch eine Straffunktion berücksichtigt. Diese Straffunktion ist eine Quadratfunktion der Distanz zwischen dem tatsächlich vorliegenden Wert eines Parameters und seines vorgegebenen Bereichs. Durch eine vorsichtige Wahl der Begrenzungen können verschiedene Optimierungsprobleme gelöst werden.
Die Möglichkeit der Diversitätssteuerung des verwendeten genetischen Algorithmus dient gemäß einem Ausführungsbeispiel der Erfindung dazu, eine voreilige Konvergenz und damit ein Kollabieren des Suchraums zu kleinen Variationen einer einzelnen guten Lösung zu verhindern. Dieses basiert auf der Anwendung von vorgegebenen „Bonuswerten" in der Berechnung der effektiven Fitness Dabei wird das Alter der Lösung berücksichtigt, um eine gewisse Stabilität zu erreichen, als auch die „Einzigartigkeit" der Lösung, d. h. die mittlere Distanz in dem Faktorraum zu anderen Lösungen der Population, in Betracht gezogen. In einer Ausführungsform wird die Linear-Sigmoid-Bonusfunktion eingesetzt, welche sich linear von A1 zu A2 im Intervall von B1 zu B2 verhält. Als Funktionsargument (x) wird der relative Rang der Lösung, d. h. die Rangpositionen geteilt durch die Gesamtanzahl der Lösungen, in Bezug auf einen gegebenen Parameter eingesetzt:
In einem Beispiel soll die Reduktion der Komponentenanzahl in einer Formulierung, also die Vereinfachung einer Rezeptur, dargestellt werden.
Basierend auf dem Grundkonzept, welches oben beschrieben wurde, und startend von einer vorgegebenen Ausgangsformulierung, welche sechs Komponenten enthält, wird ein erster Satz von Farbparametern vorgegeben.
Ein Abweichen von vorgegebenen Parametern wird durch Penalty-Werte bestraft. Wunschweise können zusätzliche Grenzen und Randbedingungen berücksichtigt werden, beispielsweise eine Obergrenze der Anzahl zur Verfügung stehenden Komponenten, um z. B. die Anzahl der Komponenten zu reduzieren und/oder die Einhaltung gewisser Verhältnisse zwischen verschiedenen Komponenten sicher zu stellen, z. B. um die geforderte Stöchiometrie der chemischen Reaktionen einzuhalten. Nachdem die im genetischen Algorithmus die Konvergenz erreicht ist oder eine vorgegebene und ausreichende Anzahl von Schleifen im genetischen Algorithmus durchlaufen wurde, erden eine oder mehr Lösungen bzw. Formulierungen erzielt, welche

(1) eine vorhergesagte Farbe aufweisen, die der angestrebten Zielfarbe sehr nahe kommen;
(2) bis zu fünf Komponenten aufweisen;
(3) andere vorgegebene Grenzen erfüllen.

Diese Lösungen können dann analysiert und experimentell überprüft werden.
Des Weiteren wird ein Beispiel gegeben für das Entfernen einzelner Komponenten aus einer Formulierung.
Um eine einzelne Komponente aus einer gegebenen Formulierung zu entfernen wird basierend auf dem in 3 dargestellten Ablauf 300 ein erster Satz von Zielfarbenparametern bestimmt und die Parametergrenzen. Abhängig von dem gesetzten Ziel können auch zusätzliche Beschränkungen und Randbedingungen berücksichtigt werden, wie beispielsweise die Beigabe oder der Ersatz anderer zusätzlicher Komponenten und/oder die Einhaltung gewisser Verhältnisse zwischen unterschiedlichen Komponenten. Nachdem die im genetischen Algorithmus die Konvergenz erreicht ist oder eine vorgegebene und ausreichende Anzahl von Schleifen im genetischen Algorithmus durchlaufen wurde, werden eine oder mehrere Lösungen (Formulierungen) erzielt, welche

(1) eine vorhergesagte Farbe aufweisen, welche der Zielfarbe nahestehend ist;
(2) die entfernte Komponente nicht mehr enthalten;
(3) andere vorgegebenen Grenzen erfüllen. Eine solche Lösung kann anschließend analysiert und experimentell überprüft werden.

4 zeigt das Hauptfenster 400 einer Benutzeroberfläche eines Computerprogramms, welches das oben beschriebene Verfahren gemäß eines Ausführungsbeispiels der Erfindung implementiert. Das Hauptfenster 400 untergliedert sich in drei Teilfenster: einem oberen linken Teilfenster 402 mit einer Datentabelle, einem oberen rechten Teilfenster 404 mit dem Farbdarstellungsfenster und einem unteren Teilfenster 410 mit einer Tabelle der Faktorwerte der bearbeiteten Formulierungen.
Im oberen linken Teilfenster 402 sind die Namen der Formulierungen angeben. Zudem werden die experimentellen und, soweit vorhanden, die berechneten Farbwerte ausgegeben. Die Farbwerte können zudem im oberen rechten Teilfenster 404 für experimentelle Daten und berechnete Farben 408 visualisiert, dabei wird zum einen die aktuelle Farbe in einem Farbfeld dargestellt zum anderen die Lage des Farbwertes als Punkt im Farbraum (z. B. Lab oder xyY). Im unteren Teilfenster 410 sind die Herstellungsparameter und die Zusammensetzung der aktuell gewählten Formulierung aufgezeigt.
Es können gemäß einem Ausführungsbeispiel nicht nur alle historischen Daten dargestellt werden, sondern auch definierte Untermengen, z. B. alle Datenpunkte in einem definierten Farbbereich oder alle Datenpunkte mit einer vorgegebenen Übereinstimmung zwischen Experiment und Theorie, etc. Dies hilft dem Produktentwickler bei der Suche nach alternativen Formulierungen einer bestimmten Farbe im Pool der bereits existierenden Formulierungen.
Die Eingabe- und Ausgabeparameter des oben angesprochenen Modells werden mithilfe von einem Softwareprogramm dargestellt. Natürlich können auch andere Bildschirmdarstellungen sowie andere alternative Programme vorgesehen sein, die geeignet sind, die Ergebnisse oder den Ablauf der Modellierung darzustellen.
In dem oberen linken Teilfenster 402 ist die Datensatztabelle der Modellierung dargestellt, welche die folgenden Informationen für alle Formulierungsdatenpunkte enthält. Das Auswahlkästchen „Use", die Formulations-ID-Nummer, falls sie in dem Datenfile enthalten ist, die experimentell ermittelten L-Werte, a-Werte, b-Werte, und für jedes vorhandene Modell die L-Werte, a-Werte, b-Werte und wenn die experimentellen Daten vorhanden sind, auch der Fehler (die Farbdifferenz) zwischen experimentellen und berechneten Farbwerten soweit vorhanden in Form des dE-Maßes und des experimentell perzeptionsoptimierten D_HCL-Maßes oder dE94-Maßes.
Wenn ein Datenpunkt mittels der Tastatur oder der Maus ausgewählt wurde, welcher dann beispielsweise farblich unterlegt dargestellt wird, werden die jeweiligen experimentellen und vorhergesagten Farben, wie sie in den benachbarten Teilfenstern 404, 408 dargestellt sind, visuell und numerisch aufgezeigt. Durch das Auswählen bzw. Wählen der Datenpunkte durch Anklicken des „Use"-Kästchens, wird das Display dynamisch nachgeführt. Fehlende Werte werden durch leere Zellen angezeigt.
Die Datensatzfarben werden als Punkte in dem Lab-Raum oder xyY-Raum, nach Möglichkeit mit einer Verbindungslinie, angezeigt und die vorliegende Farbe wird mittels eines Fadenkreuzes markiert. In den darunter liegenden Feldern 414, 418 werden die angezeigten Farben aufgeführt und eine Reihe von editierbaren Kästchen enthält die zahlenmäßigen Darstellungen der angezeigten Farben in vier Farbsystemen. Um nachträglich editierte Farbwerte anzuzeigen muss lediglich die Eingabetaste (Enter) gedrückt werden.
Zusätzlich zu den experimentellen Daten 404, 414 werden vorausgesagte Daten in einem zweiten Farbblock 408 und als Zahlenwerte 418 dargestellt (zur Auswahl des aktuell zu nutzenden Modells muss eine Drop-down-box oberhalb geöffnet werden). Fehlende oder ungültige Werte werden beispielsweise schraffiert dargestellt.
In dem Farbdisplay sind die folgenden Werkzeuge verfügbar:
Linke Maustaste und Ziehen (rechteckige Fläche) zum Einzoomen in die Colorations-Box (beispielsweise a, b) oder in die Helligkeitsbox (beispielsweise L); Steuerungstaste drücken und linke Maustaste klicken zum Umschalten zwischen einer Anzahl von benachbarten Datenpunkten, welche in dem Datensatzfeld herausstellend gekennzeichnet werden; rechte Maustaste Klicken zum Einzoomen (ungefähr zweifacher Zoom);, rechte Maustaste Doppelklicken zum vollständigen Herauszoomen (100%ige Darstellung des verfügbaren Farbraumes).
Die Zoomeinstellung kann ebenfalls durch das „View"-Menü, welches ferner beschrieben wird, geändert werden.
In dem unteren Fenster 410 wird eine Tabelle von Faktorwerten der aktuellen Formulierung dargestellt. Dargestellt ist dabei der File-Name und das Programmverzeichnis und/oder das aktuelle Verzeichnis.
Das Programmmenü ist in der Kopfzeile des Hauptfensters nach 4 dargestellt. Es besteht aus den Befehlen File, View, Select, Tools, Help. Im Einzelnen dient das File-Menü dem Öffnen von Datenfiles, dem Importieren von Datenfiles aus der Zwischenablage, wie z. B. Excel-Daten oder anderen, dem Abspeichern, dem Exportieren von Formulierungsdaten in fremde Software, z. B. auch die Software NASAWin, und dem Schließen des Programms. Das Programm verwendet einen adaptiven Algorithmus um Files mit durch Tabulator als auch durch Leerzeichen getrennten Daten, wie sie von NASAWin verwendet werden, also auch Exceldaten in die Zwischenablage speichern.
Das View-Menü sieht den Menüpunkt Mode zum Auswählen der Farbdarstellung (z. B. Lab oder xyY vor), Marker zum Auswählen unterschiedlicher Markierungen für den tatsächlich darzustellenden Datenpunkt, Link zum Steuern der Darstellung von Verbindungslinien zwischen den Datenpunkten für die Darstellung der Helligkeit L bzw. Y-Datenpunkte für die Darstellung der Farbwerte ab bzw. xy, mit den Einstellungen All, Current, None Ferner weist das View-Menü den Punkt Zoom aus zur Anpassung der Zoom-Parameter in dem Farbdisplay 404 bzw. 408 mit Auswahlmöglichkeiten Auto Fit, Reset Full, Reset Fit, Adjust.
Das Select-Menü erlaubt es, folgende Optionen zum Auswählen einer Teilmenge der gesamten Daten auszuführen, wobei nur die ausgewählten Datenpunkte, welche durch die „Use"-Auswahlkästchen gekennzeichnet sind, in dem Farbblock dargestellt werden.
Das Menü umfasst die folgenden Einträge: All zum Auswählen aller Formulierungen, None zum Abwählen aller Formulierungen, Invert zum Invertieren der Auswahl der Formulierungen, zusätzlich die Punkte Color-Range zum Auswählen der Formulierungen, die in einem bestimmten Farbbereich charakterisiert Ober und Untergrenzen der Lab-Werte oder in einem Prädiktionsfehlerbereich des laufenden ausgewählten Modells fallen. Color Around, welches die Formulierungen, die in einen spezifischen Toleranzbereich (z. B. dE und/oder dE94 und/oder D_HCL) um eine spezifische Farbe fallen auswählbar, zudem steht der Menüpunkt Visible zum Auswählen der Formulierungsdatenpunkte, welche in dem laufenden Zoombereich sichtbar sind und Experiment zur Auswahl von Formulierungen, für die experimentelle Daten vorliegen, zur Verfügung.
Das Tools-Menü weist eine Anzahl von Optionen auf, die eine fortgeschrittene Datenanalyse und Datendesign ermöglichen.
Dazu zählt der Menüpunkt Predict, welcher einer Voraussage der Farbwerte unter allen möglichen Modellen dient. Die Resultate der Prädiktion werden zusammen mit der Farbdifferenzmessung der Datensatztabelle zugeführt und in einem zweiten Farbblock angezeigt. Fehlgeschlagene Voraussagen werden durch Nullen (leere Boxen) gekennzeichnet und sind nicht in dem Farbdisplay angezeigt.
Der Menüpunkt Filter führt eine Datenfilterung zur Entfernung von unterrepräsentierten Faktoren durch. Der Menüpunkt Design führt ein interaktives Formulierungsdesign durch Ändern der Faktorwerte durch.
Der Menüpunkt Generate führt die stochastische Generation von Formulierungen, welche die Zielfarbe ergeben, durch einen genetischen Algorithmus durch.
Der Menüpunkt Factors öffnet das unterstützende Faktorverzeichnisfenster.
Der Menüpunkt Modells handhabt die Menge der verfügbaren Prädiktionsmodelle.
Der Menüpunkt Functions öffnet das unterstützende Factor-Function-Verzeichnisfenster.
Der Menüpunkt Options spezifiziert die Parameter zur Steuerung der Programmoperation. Dabei sind verfügbare Menüpunkte der Menüpunkt ColorCorrection, welcher die Farbkorrekturparameter (Gamma und Illuminant) steuert.
In 5 ist das Faktor-Verzeichnisfenster 500 dargestellt, in dem Parameter für die Eingangsgrößen festgelegt werden, wie beispielsweise Ober- und Untergrenzen (Min bzw. Max), die Schrittweite (Steg) der Werte der Eingangsgrößen oder ob diese Randbedingungen – z. B. im Laufe einer Optimierung – eingehalten werden sollen oder nicht. Hier lässt sich festlegen, welche und somit auch wie viele Eingangsgrößen im Laufe der Rezepturoptimierung variiert werden dürfen und wie sie variiert werden dürfen. Werden z. B. für einen Rohstoff die Ober- und Untergrenzen auf Null gesetzt und die Einhaltung der Grenzen eingefordert, erhält man im Laufe der Optimierung nur Formulierungen, die diesen Rohstoff nicht enthalten. Dies kann zum Auffinden von Alternativen zu existierenden Formulierungen, die auf kritischen Rohstoffen basieren, verwendet werden.
Das Faktorverzeichnisfenster umfasst eine Anzahl von wichtigen Parametern für jeden Faktor. Wenn ein neuer Faktor erstmals eingelesen wird, werden diese Parameter automatisch bestimmt und können manuell verfeinert werden. Das Fenster umfasst folgende Kriterien, die in der oberen Zeile dargestellt sind. Fullname gibt den Namen des darzustellenden Faktors wieder. Die Menüpunkte Min bzw. Max zeigen einen möglichen minimalen bzw. maximalen Wert für den Faktor an. Der Menüpunkt Strict zeigt die Durchsetzung der Min- und Maxgrenzen an: dabei bedeutet "0", dass Verletzungen in einem spezifischen Bereich ignoriert werden, "1", dass Warnungen bei Verletzungen des Bereichs ausgegeben werden, und "2" bedeutet, dass verletzende Werte automatisch in den vorgegebenen Bereich zurückgeführt werden, wobei unterschiedliche Programmfunktionen diese Verletzungen unterschiedlich handhaben.
Der Menüpunkt Step gibt die Schrittweite für die Anpassung des Faktors wieder, der Menüpunkt RepLevels gibt die minimale Anzahl der repräsentativen Niveaus für die Faktorfilterung wieder. Unnötige Faktoren können mit der Entfernentaste entfernt werden.
Die 6 zeigt ein Prädiktionsmodell(Prediction Model)-Verzeichnisfenster 600 an, wobei die Auswahl 602 die Auswahl eines NASAWin-Modells erlaubt.
7 zeigt ein Faktorfunktionenfenster (Factor Functions) 700. Hier können lineare Funktionen basierend auf den Eingangsgrößen zusammengestellt werden, die z. B. im Laufe der Optimierung berücksichtigt werden sollen. Hier lässt sich z. B. eine Kostenfunktion für die Rezeptur auf der Grundlage der Rohstoffkosten und der eingesetzten Rohstoffkonzentration oder der Prozessparameter definieren. Wie bei den Eingangsgrößen selbst, können Ober- und Untergrenzen für die Funktionen festgelegt werden. Dies ermöglicht z. B. die Suche nach Rezepturen, die innerhalb eines bestimmten Kostenrahmens hergestellt werden, auf einer festgelegten Anzahl von Rohstoffen basieren, oder in denen die Rohstoffe in bestimmten Verhältnissen verwendet werden, also beispielsweise die reagierenden Farbstoffvorstufen der Formulierungen, in einem bestimmten stöchiometrischen Verhältnis vorkommen.
Das Faktorfunktionenfenster ist als Anzeige zur vereinfachten Vorgabe und Steuerung komplexer Parameter und Begrenzungen unter Zusammenfassung vieler oder sogar aller Faktoren vorgesehen. Jeder Faktorfunktion liegt eine gewisse lineare Kombination von Faktorwerten zugrunde (beispielsweise F = Σa_iF_i). In der Anzeige 702 auf der linken Seite werden für jede Funktion die Minimumwerte und Maximumwerte und Regeln zur Handhabung von Überschreitungen von vorgegebenen Bereichen, charakterisiert durch Werte für strict, in einer Art Verzeichnis wiedergegeben. Auf der rechten Seite 704 werden die Funktionsparameter und die Koeffizienten der Funktion angezeigt. Mit den Funktionen Save, Clear und Delete können die Parameter entsprechend angepasst oder gespeichert werden.
Zwei spezielle Funktionen sind dabei in einem Ausführungsbeispiel der Erfindung vorgesehen, deren Namen mit einem Rautenzeichen (#) beginnen und die als zählbasierte Funktionen berechnet werden. Dabei wird anstatt des tatsächlichen Faktorwerts F_i der Wert "1" für alle nicht null gesetzten Faktoren und der Wert "0" für alle 0 gesetzten Faktoren angezeigt.
In dem Beispiel in 7 überprüft das Programm gemäß der Funktion #base, ob exakt eine Basisformulierung vorhanden ist, die Funktion #count bezeichnet die oder zeigt eine Gesamtanzahl aller vorgegebenen Komponenten in der Formulierung an.
Wenn die Funktion mit einem Dollar ($)-Zeichen beginnt, wird die Funktion renormalisiert berechnet. Das bedeutet, dass hier die normalisierte Funktion:
dargestellt wird.
Eine solche Funktion ist dann sinnvoll, wenn die Terme unterschiedliche Vorzeichen aufweisen. Dieses vereinfacht die Handhabung von Randbedingungen für Mengenverhältnisse. Zum Beispiel eines molaren Verhältnisses (C/M_C)/D/M_D) = α, welches äquivalent ist zu der Formel
wobei a_i = 1/M_i für C ist und a_i = –1/M_i für D ist (wobei M die molare Masse darstellt und F_i, C bzw. D die Konzentration von der Komponente F_i, C bzw. D).
Nun wird auf die Datenfilterung gemäß einem Ausführungsbeispiel der Erfindung eingegangen.
Die Datenfilterungsfunktion erlaubt es, unterrepräsentierte Faktoren zur Erhöhung der Genauigkeit und Stabilität der daraus folgenden Datenmodulierung durchzuführen.
Das Dialogfenster sieht folgende Funktionen vor: der Menüpunkt minimum range definiert das Minimum des akzeptablen Bereichs eines Faktors.
Der Menüpunkt total levels bezeichnet die Anzahl der Niveaus für die Verteilung in der Histogrammanalyse. Der Menüpunkt minimum postulated levels zeigt die minimale Anzahl der Niveaus an, welche mindestens einen Datenpunkt aufweisen.
Der Menüpunkt minimum representative population zeigt die minimale Anzahl von Datenpunkten in einem Niveau an, welches als repräsentativ gewertet werden soll.
Der Menüpunkt minimum representative levels zeigt die minimale Anzahl der repräsentativen Niveaus an.
Der Menüpunkt Delete Faktors löscht die unterrepräsentierten Faktoren (Spalten) aus der Datentabelle.
Der Menüpunkt Delete records löscht die Datensätze (Zeilen), die Einträge für unterrepräsentierte Faktoren aufweisen, aus der Datentabelle.
Der Menüpunkt Self consisting filtering führt eine Filterung in mehreren Zügen durch, um unterrepräsentierte Faktoren zu entfernen ebenso wie die Datensätze, die Einträge für diese unterrepräsentierte Faktoren enthalten, solange bis ausschließlich ausreichend repräsentierte Faktoren und ausschließlich Datensätze aus ausschließlich ausreichend repräsentierten Faktoren in der Datentabelle enthalten sind.
8 zeigt eine Bildschirmoberfläche 800 des interaktiven Formulierungsdesigners gemäß einem Ausführungsbeispiel der Erfindung.
Der Formulierungsdesigner ermöglicht die Zusammenstellung einer neuen Formulierung durch manuelles Anpassen der Faktorwerte. Die aktuell ausgesuchte Formulierung in einem Datensatz wird als Startpunkt verwendet. Das Fenster des Formulierungsdesigners weist drei Teilfenster auf, ein unteres linkes Teilfenster 802 erlaubt die Anpassung der Faktoren durch direkte Eingabe der gewünschten Werte oder durch Anklicken der Pfeiltasten mit der Maus. Geänderte Faktoren werden beispielsweise in einer Markierungsfarbe, z. B. in rot, hinterlegt, wenn ihr Wert außerhalb des zulässigen Bereichs liegt. Ein oberes linkes Fenster 808 stellt eine Tabelle dar, welche die Funktionswerte, berechnet aus den aktuellen Faktorwerten, darstellt. Werte, die einen vorgegebenen Bereich der in dem Faktor-Verzeichnisfenster festgelegten Funktion überschreiten, werden beispielsweise in einer Markierungsfarbe, z. B. in rot, hinterlegt.
Ein rechtes Teilfenster 804 bzw. 806 stellt ein Farbfenster für die Haarcoloration dar. Der Startfarbwert wird gemäß einem Ausführungsbeispiel durch miteinander verbundene Kreise angezeigt. Die laufende Farbe wird als Faktorwertkombination mit einem Fadenkreuz in dem rechten oberen Teilfenster 804 bzw. als Zahlenanzeige in dem rechten unteren Teilfenster 806 dargestellt. Mittels einer Drop-Down-Box kann das Modell, das für die Vorhersage verwendet wird, gewählt werden.
9 zeigt eine Bildschirmoberfläche 900 des Formulierungsgenerators, welcher das Ergebnis als Population von Faktorlösungen aufzeigt. Diese werden unter Verwendung des zuvor beschriebenen und unter Verwendung des Trainingsdatensatzes trainierten Modells berechnet. Das Fenster 900 ist in vier Teilbereiche unterteilt.
Ein oberes linkes Fenster 900 weist die Anzeigen PopSize als Größe der Lösungspopulation, MaxSteps als maximale Anzahl der Evolutionsschritte auf. Den Menüpunkt MinSearch als minimale Anzahl der nicht produktiven Schritte vor der Beendigung. Den Menüpunkt PropMut, der die die Wahrscheinlichkeit des Auftretens des Mutationsoperators anzeigt. Den Menüpunkt PropCross, der die Wahrscheinlichkeit des Auftretens des crossover Operators anzeigt und den Menüpunkt dist, der die Differenz der gemessenen Farbe in Bezug auf die Fitnessfunktion (dE oder D_HCL) aufweist.
9 zeigt den stochastischen Formulierungsgenerator, welcher zum Generieren von neuen Formulierungen eingesetzt werden kann.
Der Formulierungsgenerator (Formulation Generator) optimiert Formulierungen hinsichtlich bestimmter Zielgrößen unter Berücksichtigung von Randbedingungen (z B Optimierung der Farbe und der Kosten bei einer festgelegten Anzahl oder Auswahl von Rohstoffen) Er macht Gebrach von einem evolutionären Algorithmus. Dabei wird eine Population von Formulierungen und den zugehörigen Prozessparametern (zusammen: Faktoreinstellungen) einer Evolution basierend auf den Mechanismen Selektion, Mutation und Fortpflanzung unterworfen bis ein Satz von Faktoreinstellungen erhalten wird der die gewünschten Zielwerte und Randbedingungen erfüllt. Eine auf diese Weise erhaltene Lösung wird als optimale Lösung interpretiert. Dies reduziert den Entwicklungsaufwand für eine Haarcoloration im Labor erheblich und unterstützt damit die Arbeit der Produktentwickler.
Ein unteres Fenster 914, 912 weist die Penalty Faktoren auf für die Verletzung der Faktorfunktionsbereiche (obere Tabelle) 914 und der Faktorbereiche (untere Tabelle) 912. Sie bestimmt die Gewichtung der zugehörigen Penalty Funktion (Straffunktion), die wiederum das Quadrat des Abstands des zugehörigen Parameterwertes vom vorbestimmten Bereich darstellt.
Ein Fenster unten links 908 stellt die Parameterschaltflächen dar, womit den verfügbaren Schaltflächen Save, Load, Reset die aktuellen Parametereinstellungen gespeichert, geladen und in den ursprünglichen Zustand zurückgestellt werden können. Das untere linke Fenster 910 stellt die Steuerung des Formulierungsgenerators dar. Durch einen Mausklick auf Run startet Berechnung und die Bezeichnung der Schaltfläche wechselt von Run auf Stop. Durch einen Mausklick auf Stop kann die Berechnung vorzeitig angehalten werden. Die Anzeige PopSize zeigt die gegenwärtige Populationsgröße. Der Menüpunkt step zeigt den laufenden Evolutionsschritt.
Der Menüpunkt Fitness zeigt den Fitnesswert für die beste Lösung der Population unter Bezugnahme der Farbabweichung und der Werte der Straffunktionen (Penalties).
Mit den Knöpfen Save, Export und Close unter dem Fenster 910 kann das Programm bedient werden. Durch Save wird die beste Lösung im Datensatz gespeichert. Mit Export wird die gesamte Population in einem File gespeichert. Mit Close wird der Formulation Generator geschlossen. In der rechten Seite ist unter 904 ein Color Display dargestellt, wobei durch Kreise die Individuen der aktuellen Population dargestellt werden und die Zielfarbe durch ein Fadenkreuz in 904 markiert wird In 906 wird die numerische Repräsentation der Zielfarbe dargestellt.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

- EP 1138347 A1 [0009]
- EP 1380720 A1 [0010, 0011]

Claims

Verfahren zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen, • wobei Informationen über chemisch reaktive Formulierungen einem vorbestimmten Modell zugeführt werden; • wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • wobei unter Verwendung des vorbestimmten Modells die mindestens eine Eigenschaft des Ergebnisses einer Haarcoloration bei Verwendung der chemisch reaktiven Formulierungen ermittelt wird.
Verfahren gemäß Anspruch 1, wobei die Informationen über chemisch reaktive Formulierungen mindestens eine der folgenden Informationen enthalten: • Konzentrationsangaben über die chemisch reaktive Formulierungen (Rohstoffe ?); • eine Angabe über die Art der Basisformulierung; • eine Angabe über das Mischungsverhältnis zwischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung; • der pH-Wert einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt; • Konzentrationsangaben über Rohstoffe in einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt.
Verfahren gemäß Anspruch 1 oder 2, wobei die chemisch reaktiven Formulierungen mindestens einen Farbstoff und/oder mindestens eine Farbstoffvorstufe enthalten.
Verfahren gemäß einem der Ansprüche 1 bis 3, wobei die chemisch reaktiven Formulierungen mindestens einen oxidativen Haarfarbstoff und/oder mindestens eine oxidative Haarfarbstoffvorstufe enthalten.
Verfahren gemäß einem der Ansprüche 1 bis 4, wobei das vorbestimmte Modell unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen trainiert wird.
Verfahren gemäß Anspruch 5, • wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet; • wobei eine Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells ausgewählt wird.
Verfahren gemäß Anspruch 6, wobei aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells diejenigen Trainingsdatensätze ausgewählt werden, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
Verfahren gemäß einem der Ansprüche 1 bis 7, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine der folgenden Eigenschaften enthält: • eine Farbinformation, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt; • eine Information über eine Lichtechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Waschechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Grauabdeckung der Haarfarbe der Haarcoloration; • eine Information über die Kosten der verwendeten chemisch reaktiven Formulierungen; • eine Information über die Qualität der Haarcoloration.
Verfahren gemäß einem der Ansprüche 1 bis 8, wobei als das vorbestimmte Modell zumindest eines der folgenden Modelle verwendet wird: • mindestens ein künstliches neuronales Netz; • mindestens ein Fuzzy-Logic-Modell; • mindestens eine Support Vector Machine; • Mindestens ein Entscheidungsbaum; • mindestens ein Bayes'sches Netz.
Verfahren gemäß einem der Ansprüche 1 bis 9, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine Farbinformation enthält, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt, wobei zur Codierung Farbinformation einer der folgenden Farbräume verwendet wird: • Lab-Farbraum; • xyY-Farbraum; • XYZ-Farbraum; • RGB-Farbraum; • CMYK-Farbraum; • HSV-Farbraum; • LCh-Farbraum; • I1I2I3-Farbraum; • YCbCr-Farbraum; • YPbPr-Farbraum; • YUV-Farbraum; • YIQ-Farbraum.
Verfahren gemäß einem der Ansprüche 1 bis 10, wobei das vorbestimmte Modell eine Mehrzahl von Teil-Modellen aufweist.
Verfahren gemäß Anspruch 11, wobei zuminderst ein Teil-Modell der Mehrzahl von Teil-Modellen eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Verfahren gemäß Anspruch 12, wobei alle Teil-Modelle der Mehrzahl von Teil-Modellen jeweils eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Verfahren zum computergestützten Ermitteln mindestens einer Rezeptur für eine Haarcoloration, • wobei mindestens eine Soll-Eigenschaft der Haarcoloration einem vorbestimmten Modell zugeführt wird; • wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • wobei unter Verwendung des vorbestimmten Modells Informationen über chemisch reaktive Formulierungen ermittelt werden; und • wobei aus den Informationen über chemisch reaktive Formulierungen die Rezeptur für eine Haarcoloration ermittelt wird.
Verfahren gemäß Anspruch 14, • wobei das vorbestimmte Modell verändert wird; und • wobei das Verfahren wiederholt durchgeführt wird unter Verwendung des veränderten vorbestimmten Modells.
Verfahren gemäß Anspruch 14 oder 15, • wobei die Rezeptur unter Verwendung eines evolutionären Verfahrens (Algorithmus) ermittelt wird, • wobei gemäß dem evolutionären Verfahren (Algorithmus) das vorbestimmte Modell verändert wird.
Verfahren gemäß einem der Ansprüche 14 bis 16, wobei als evolutionärer Algorithmus ein genetischer Algorithmus verwendet wird.
Verfahren gemäß einem der Ansprüche 14 bis 17, wobei der evolutionäre Algorithmus zumindest einen Mechanismus aufweist der Mechanismen Evaluation, Mutation, Rekombination, Selektion.
Verfahren zum computergestützten Ermitteln einer End-Rezeptur von einem oder einer Mehrzahl von chemisch reaktiven Stoffen und/oder nichtreaktiven Stoffen und/oder Formulierungen für eine Haarcoloration, • wobei auf eine Rezeptur einer Mehrzahl von chemisch reaktiven Stoffen unter Verwendung mindestens eines vorbestimmten Modells ein evolutionärer Algorithmus angewendet wird, womit eine End-Rezeptur ermittelt wird, wobei das mindestens eine vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Stoffe und/oder nichtreaktiven Stoffe und/oder Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • wobei mindestens eine Soll-Eigenschaft im Rahmen des evolutionären Algorithmus berücksichtigt wird; • wobei unter Verwendung des vorbestimmten Modells Informationen über chemisch reaktive Stoffe und/oder nichtreaktiven Stoffe und/oder Formulierungen ermittelt werden; und • wobei auf Grundlage dieser Informationen die End-Rezeptur für eine Haarcoloration ermittelt wird.
Verfahren gemäß Anspruch 19, wobei die Informationen über chemisch reaktive Formulierungen mindestens eine der folgenden Informationen enthalten: • Konzentrationsangaben über die chemisch reaktiven Formulierungen; • eine Angabe über die Art der Basisformulierung; • eine Angabe über das Mischungsverhältnis zwischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung; • der pH-Wert einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt; • Konzentrationsangaben über Rohstoffe in einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt.
Verfahren gemäß Anspruch 19 oder 20, wobei die chemisch reaktiven Formulierungen mindestens einen Farbstoff und/oder mindestens eine Farbstoffvorstufe enthalten.
Verfahren gemäß einem der Ansprüche 19 bis 21, wobei die chemisch reaktiven Formulierungen mindestens einen oxidativen Haarfarbstoff und/oder mindestens eine oxidative Haarfarbstoffvorstufe enthalten.
Verfahren gemäß einem der Ansprüche 19 bis 22, wobei zumindest ein vorbestimmtes Modell unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen trainiert wird.
Verfahren gemäß Anspruch 23, • wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet; • wobei eine Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des jeweiligen vorbestimmten Modells ausgewählt wird.
Verfahren gemäß Anspruch 24, wobei aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells diejenigen Trainingsdatensätze ausgewählt werden, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
Verfahren gemäß einem der Ansprüche 19 bis 25, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine der folgenden Eigenschaften enthält: • eine Farbinformation, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt; • eine Information über eine Lichtechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Waschechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Grauabdeckung der Haarfarbe der Haarcoloration; • eine Information über die Kosten der verwendeten chemisch reaktiven Formulierungen; • eine Information über die Qualität der Haarcoloration.
Verfahren gemäß einem der Ansprüche 19 bis 26, wobei als ein vorbestimmtes Modell zumindest eines der folgenden Modelle verwendet wird: • mindestens ein künstliches neuronales Netz; • mindestens ein Fuzzy-Logic-Modell; • mindestens eine Support Vector Machine; • mindestens ein Entscheidungsbaum; • mindestens ein Bayes'sches Netz.
Verfahren gemäß einem der Ansprüche 19 bis 27, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine Farbinformation enthält, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt, wobei zur Codierung Farbinformation einer der folgenden Farbräume verwendet wird: • Lab-Farbraum; • xyY-Farbraum; • XYZ-Farbraum; • RGB-Farbraum; • CMYK-Farbraum; • HSV-Farbraum; • LCh-Farbraum; • I1I2I3-Farbraum; • YCbCr-Farbraum; • YPbPr-Farbraum; • YUV-Farbraum; • YIQ-Farbraum.
Verfahren gemäß einem der Ansprüche 19 bis 28, wobei zumindest ein vorbestimmtes Modell der Mehrzahl von vorbestimmten Modellen eine Mehrzahl von Teil-Modellen aufweist.
Verfahren gemäß Anspruch 29, wobei zuminderst ein Teil-Modell der Mehrzahl von Teil-Modellen eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Verfahren gemäß Anspruch 30, wobei alle Teil-Modelle der Mehrzahl von Teil-Modellen jeweils eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Verfahren zum computergestützten Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen, • wobei das vorbestimmte Modell unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen trainiert wird, wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet; • wobei eine Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells ausgewählt wird.
Verfahren gemäß Anspruch 32, wobei aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells diejenigen Trainingsdatensätze ausgewählt werden, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
Verfahren gemäß Anspruch 32 oder 33, wobei die Informationen über chemisch reaktive Formulierungen mindestens eine der folgenden Informationen enthalten: • Konzentrationsangaben über die chemisch reaktive Formulierungen; • eine Angabe über die Art der Basisformulierung; • eine Angabe über das Mischungsverhältnis zwischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung; • der pH-Wert einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt; • Konzentrationsangaben über Rohstoffe in einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt.
Verfahren gemäß einem der Ansprüche 32 bis 34, wobei die chemisch reaktiven Formulierungen mindestens einen Farbstoff und/oder mindestens eine Farbstoffvorstufe enthalten.
Verfahren gemäß einem der Ansprüche 32 bis 34, wobei die chemisch reaktiven Formulierungen mindestens einen oxidativen Haarfarbstoff und/oder mindestens eine oxidative Haarfarbstoffvorstufe enthalten.
Verfahren gemäß einem der Ansprüche 32 bis 36, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine der folgenden Eigenschaften enthält: • eine Farbinformation, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt; • eine Information über eine Lichtechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Waschechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Grauabdeckung der Haarfarbe der Haarcoloration; • eine Information über die Kosten der verwendeten chemisch reaktive Formulierungen; • eine Information über die Qualität der Haarcoloration.
Verfahren gemäß einem der Ansprüche 32 bis 37, wobei als das vorbestimmte Modell zumindest eines der folgenden Modelle verwendet wird: • mindestens ein künstliches neuronales Netz; • mindestens ein Fuzzy-Logic-Modell; • mindestens eine Support Vector Machine; • Mindestens ein Entscheidungsbaum; • mindestens ein Bayes'sches Netz.
Verfahren gemäß einem der Ansprüche 32 bis 38, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine Farbinformation enthält, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt, wobei zur Codierung Farbinformation einer der folgenden Farbräume verwendet wird: • Lab-Farbraum; • xyY-Farbraum; • XYZ-Farbraum; • RGB-Farbraum; • CMYK-Farbraum; • HSV-Farbraum; • LCh-Farbraum; • I1I2I3-Farbraum; • YCbCr-Farbraum; • YPbPr-Farbraum; • YUV-Farbraum; • YIQ-Farbraum.
Verfahren gemäß einem der Ansprüche 32 bis 39, wobei das vorbestimmte Modell eine Mehrzahl von Teil-Modellen aufweist.
Verfahren gemäß Anspruch 40, wobei zumindest ein Teil-Modell der Mehrzahl von Teil-Modellen eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Verfahren gemäß Anspruch 41, wobei alle Teil-Modelle der Mehrzahl von Teil-Modellen jeweils eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Anordnung zum Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen, • mit einer Eingabeeinheit zum Eingeben von Informationen über chemisch reaktive Formulierungen in ein vorbestimmtes Modell; • mit einer Modell-Einheit, die ein vorbestimmtes Modell aufweist, wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • mit einer Haarcolorations-Eigenschaft-Ermittlungseinheit zum Ermitteln der mindestens einen Eigenschaft des Ergebnisses einer Haarcoloration bei Verwendung der chemisch reaktiven Formulierungen unter Verwendung des vorbestimmten Modells der Modell-Einheit.
Anordnung gemäß Anspruch 43, wobei die Informationen über chemisch reaktive Formulierungen mindestens eine der folgenden Informationen enthalten: • Konzentrationsangaben über die chemisch reaktive Formulierungen enthalten; • eine Angabe über die Art der Basisformulierung; • eine Angabe über das Mischungsverhältnis zwischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung; • der pH-Wert einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt; • Konzentrationsangaben über Rohstoffe in einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt.
Anordnung gemäß Anspruch 43 oder 44, wobei die chemisch reaktiven Formulierungen mindestens einen Farbstoff und/oder mindestens eine Farbstoffvorstufe enthalten.
Anordnung gemäß einem der Ansprüche 43 bis 45, wobei die chemisch reaktiven Formulierungen mindestens einen oxidativen Haarfarbstoff und/oder mindestens eine oxidative Haarfarbstoffvorstufe enthalten.
Anordnung gemäß einem der Ansprüche 43 bis 46, mit einer Modell-Trainiereinheit zum Trainieren des vorbestimmten Modells unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen.
Anordnung gemäß Anspruch 47, • wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet; • mit einer Trainingsdatensatz-Auswähleinheit zum Auswählen einer Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells.
Anordnung gemäß Anspruch 48, wobei die Trainingsdatensatz-Auswähleinheit eingerichtet ist zum Auswählen derjenigen Trainingsdatensätze aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
Anordnung gemäß einem der Ansprüche 43 bis 49, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine der folgenden Eigenschaften enthält: • eine Farbinformation, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt; • eine Information über eine Lichtechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Waschechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Grauabdeckung der Haarfarbe der Haarcoloration; • eine Information über die Kosten der verwendeten chemisch reaktive Formulierungen; • eine Information über die Qualität der Haarcoloration.
Anordnung gemäß einem der Ansprüche 43 bis 50, wobei als das vorbestimmte Modell zumindest eines der folgenden Modelle verwendet wird: • mindestens ein künstliches neuronales Netz; • mindestens ein Fuzzy-Logic-Modell; • mindestens eine Support Vector Machine; • Mindestens ein Entscheidungsbaum; • mindestens ein Bayes'sches Netz.
Anordnung gemäß einem der Ansprüche 43 bis 51, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine Farbinformation enthält, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt, wobei zur Codierung Farbinformation einer der folgenden Farbräume verwendet wird: • Lab-Farbraum; • xyY-Farbraum; • XYZ-Farbraum; • RGB-Farbraum; • CMYK-Farbraum; • HSV-Farbraum; • LCh-Farbraum; • I1I2I3-Farbraum; • YCbCr-Farbraum; • YPbPr-Farbraum; • YUV-Farbraum; • YIQ-Farbraum.
Anordnung gemäß einem der Ansprüche 43 bis 52, wobei das vorbestimmte Modell eine Mehrzahl von Teil-Modellen aufweist.
Anordnung gemäß Anspruch 53, wobei zumindest ein Teil-Modell der Mehrzahl von Teil-Modellen eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Anordnung gemäß Anspruch 54, wobei alle Teil-Modelle der Mehrzahl von Teil-Modellen jeweils eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Anordnung zum Ermitteln mindestens einer Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration, • mit einer Eingabeeinheit zum Eingeben von mindestens einer Soll-Eigenschaft der Haarcoloration in ein vorbestimmtes Modell; • mit einer Modell-Einheit, die ein vorbestimmtes Modell aufweist, wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • mit einer Formulierungs-Ermittlungseinheit zum Ermitteln von Informationen über chemisch reaktive Formulierungen unter Verwendung des vorbestimmten Modells der Modell-Einheit; • mit einer Rezeptur-Ermittlungseinheit zum Ermitteln der Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für die Haarcoloration.
Anordnung gemäß Anspruch 56, wobei die Modell-Einheit derart eingerichtet ist, dass sie • das vorbestimmte Modell verändert; und • das veränderte vorbestimmte Modell bereitstellt zum wiederholten Ermitteln von Informationen über chemisch reaktive Formulierungen unter Verwendung des veränderten vorbestimmten Modells.
Anordnung gemäß Anspruch 56 oder 57, eingerichtet zum Durchführen eines evolutionären Verfahrens zum Ermitteln der Rezeptur, wobei gemäß dem evolutionären Verfahren die Rezeptur verändert wird.
Anordnung gemäß einem der Ansprüche 56 bis 58, wobei das evolutionäre Verfahren einen genetischen Algorithmus aufweist.
Anordnung gemäß einem der Ansprüche 56 bis 59, wobei das evolutionäre Verfahren zumindest einen Mechanismus aufweist der Mechanismen Evaluation, Mutation, Rekombination, Selektion.
Anordnung zum Ermitteln einer Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration, • mit einer Modell-Ermittlungseinheit zum Ermitteln eines End-Modells, wobei die Modell-Ermittlungseinheit derart eingerichtet ist, dass auf eine Mehrzahl von vorbestimmten Modellen ein evolutionärer Algorithmus durchgeführt wird, wobei jedes vorbestimmte Modell der Mehrzahl von vorbestimmten Modellen eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • mit einer Eingabeeinheit zum Eingeben von mindestens einer Soll-Eigenschaft der Haarcoloration in das End-Modell; • mit einer Informations-Ermittlungseinheit zum Ermitteln von Informationen über chemisch reaktive Formulierungen unter Verwendung des End-Modells; und • mit einer Rezeptur-Ermittlungseinheit zum Ermitteln der Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration aus den Informationen über chemisch reaktive Formulierungen.
Anordnung gemäß Anspruch 61, wobei die Informationen über chemisch reaktive Formulierungen mindestens eine der folgenden Informationen enthalten: • Konzentrationsangaben über die chemisch reaktive Formulierungen enthalten; • eine Angabe über die Art der Basisformulierung; • eine Angabe über das Mischungsverhältnis zwischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung; • der pH-Wert einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt; • Konzentrationsangaben über Rohstoffe in einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt.
Anordnung gemäß Anspruch 61 oder 62, wobei die chemisch reaktiven Formulierungen mindestens einen Farbstoff und/oder mindestens eine Farbstoffvorstufe enthalten.
Anordnung gemäß einem der Ansprüche 61 bis 63, wobei die chemisch reaktiven Formulierungen mindestens einen oxidativen Haarfarbstoff und/oder mindestens eine oxidative Haarfarbstoffvorstufe enthalten.
Anordnung gemäß einem der Ansprüche 61 bis 64, mit einer Modell-Trainiereinheit zum Trainieren des vorbestimmten Modells unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen.
Anordnung gemäß Anspruch 65, • wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet; • mit einer Trainingsdatensatz-Auswähleinheit zum Auswählen einer Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells.
Anordnung gemäß Anspruch 66, wobei die Trainingsdatensatz-Auswähleinheit eingerichtet ist zum Auswählen derjenigen Trainingsdatensätze aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
Anordnung gemäß einem der Ansprüche 61 bis 67, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine der folgenden Eigenschaften enthält: • eine Farbinformation, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt; • eine Information über eine Lichtechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Waschechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Grauabdeckung der Haarfarbe der Haarcoloration; • eine Information über die Kosten der verwendeten chemisch reaktive Formulierungen; • eine Information über die Qualität der Haarcoloration.
Anordnung gemäß einem der Ansprüche 61 bis 68, wobei als ein vorbestimmtes Modell zumindest eines der folgenden Modelle verwendet wird: • mindestens ein künstliches neuronales Netz; • mindestens ein Fuzzy-Logic-Modell; • mindestens eine Support Vector Machine; • Mindestens ein Entscheidungsbaum; • mindestens ein Bayes'sches Netz.
Anordnung gemäß einem der Ansprüche 61 bis 69, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine Farbinformation enthält, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt, wobei zur Codierung Farbinformation einer der folgenden Farbräume verwendet wird: • Lab-Farbraum; • xyY-Farbraum; • XYZ-Farbraum; • RGB-Farbraum; • CMYK-Farbraum; • HSV-Farbraum; • LCh-Farbraum; • I1I213-Farbraum; • YCbCr-Farbraum; • YPbPr-Farbraum; • YUV-Farbraum; • YIQ-Farbraum.
Anordnung gemäß einem der Ansprüche 61 bis 70, wobei zumindest ein vorbestimmtes Modell der Mehrzahl von vorbestimmten Modellen eine Mehrzahl von Teil-Modellen aufweist.
Anordnung gemäß Anspruch 71, wobei zuminderst ein Teil-Modell der Mehrzahl von Teil-Modellen eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Anordnung gemäß Anspruch 72, wobei alle Teil-Modelle der Mehrzahl von Teil-Modellen jeweils eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Anordnung zum Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen, • mit einer Modell-Trainiereinheit zum Trainieren des vorbestimmten Modells unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen, wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet; und • mit einer Trainingsdatensatz-Auswähleinheit zum Auswählen einer Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells.
Anordnung gemäß Anspruch 74, wobei die Trainingsdatensatz-Auswähleinheit eingerichtet ist zum Auswählen derjenigen Trainingsdatensätze aus der Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells, für deren verwendete chemisch reaktiven Formulierungen eine Anzahl von Trainingsdatensätzen vorliegt, die größer oder gleich ist als ein vorgegebener Schwellenwert.
Anordnung gemäß Anspruch 74 oder 75, wobei die Informationen über chemisch reaktive Formulierungen mindestens eine der folgenden Informationen enthalten: • Konzentrationsangaben über die chemisch reaktive Formulierungen enthalten; • eine Angabe über die Art der Basisformulierung; • eine Angabe über das Mischungsverhältnis zwischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung; • der pH-Wert einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt; • Konzentrationsangaben über Rohstoffe in einer Anwendungsmischung, die sich durch Mischen einer bei der jeweiligen Haarcoloration verwendeten Farbcreme und einer bei der jeweiligen Haarcoloration verwendeten Entwicklerlösung ergibt.
Anordnung gemäß einem der Ansprüche 74 bis 76, wobei die chemisch reaktiven Formulierungen mindestens einen Farbstoff und/oder mindestens eine Farbstoffvorstufe enthalten.
Anordnung gemäß einem der Ansprüche 74 bis 77, wobei die chemisch reaktiven Formulierungen mindestens einen oxidativen Haarfarbstoff und/oder mindestens eine oxidative Haarfarbstoffvorstufe enthalten.
Anordnung gemäß einem der Ansprüche 74 bis 78, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine der folgenden Eigenschaften enthält: • eine Farbinformation, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt; • eine Information über eine Lichtechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Waschechtheit der Haarfarbe der Haarcoloration; • eine Information über eine Grauabdeckung der Haarfarbe der Haarcoloration; • eine Information über die Kosten der verwendeten chemisch reaktive Formulierungen; • eine Information über die Qualität der Haarcoloration.
Anordnung gemäß einem der Ansprüche 74 bis 79, wobei das vorbestimmte Modell zumindest eines der folgenden Modelle aufweist: • mindestens ein künstliches neuronales Netz; • mindestens ein Fuzzy-Logic-Modell; • mindestens eine Support Vector Machine; • Mindestens ein Entscheidungsbaum; • mindestens ein Bayes'sches Netz.
Anordnung gemäß einem der Ansprüche 74 bis 80, wobei die mindestens eine Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration mindestens eine Farbinformation enthält, welche die sich ergebende Haarfarbe der Haarcoloration beschreibt, wobei zur Codierung Farbinformation einer der folgenden Farbräume verwendet wird: • Lab-Farbraum; • xyY-Farbraum; • XYZ-Farbraum; • RGB-Farbraum; • CMYK-Farbraum; • HSV-Farbraum; • LCh-Farbraum; • I1I2I3-Farbraum; • YCbCr-Farbraum; • YPbPr-Farbraum; • YUV-Farbraum; • YIQ-Farbraum.
Anordnung gemäß einem der Ansprüche 74 bis 81, wobei das vorbestimmte Modell eine Mehrzahl von Teil-Modellen aufweist.
Anordnung gemäß Anspruch 82, wobei zumindest ein Teil-Modell der Mehrzahl von Teil-Modellen eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Anordnung gemäß Anspruch 83, wobei alle Teil-Modelle der Mehrzahl von Teil-Modellen jeweils eine Abbildung von Informationen über chemisch reaktive Formulierungen auf genau eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt.
Computerlesbares Speichermedium, auf dem ein Computerprogrammcode zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen gespeichert ist, der, wenn er von einem Prozessor ausgeführt wird, aufweist: • Zuführen von Informationen über chemisch reaktive Formulierungen einem vorbestimmten Modell; • wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • Ermitteln unter Verwendung des vorbestimmten Modells die mindestens eine Eigenschaft des Ergebnisses einer Haarcoloration bei Verwendung der chemisch reaktiven Formulierungen.
Computerlesbares Speichermedium, auf dem ein Computerprogrammcode zum computergestützten Ermitteln mindestens einer Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration, der, wenn er von einem Prozessor ausgeführt wird, aufweist: • Zuführen mindestens einer Soll-Eigenschaft der Haarcoloration einem vorbestimmten Modell; • wobei das vorbestimmte Modell eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • Ermitteln unter Verwendung des vorbestimmten Modells Informationen über chemisch reaktive Formulierungen; und • Ermitteln aus den Informationen über chemisch reaktive Formulierungen die Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration.
Computerlesbares Speichermedium, auf dem ein Computerprogrammcode zum computergestützten Ermitteln mindestens einer Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration, der, wenn er von einem Prozessor ausgeführt wird, aufweist: • Durchführen auf eine Mehrzahl von vorbestimmten Modellen eines evolutionären Verfahrens, womit ein End-Modell ermittelt wird, wobei jedes vorbestimmte Modell der Mehrzahl von vorbestimmten Modellen eine Abbildung von Informationen über chemisch reaktive Formulierungen auf mindestens eine Eigenschaft einer entsprechenden Haarcoloration einer Vielzahl zuvor ermittelter Haarcolorationen beschreibt; • Zuführen mindestens einer Soll-Eigenschaft der Haarcoloration dem ermittelten End-Modell; • Ermitteln unter Verwendung des vorbestimmten Modells Informationen über chemisch reaktive Formulierungen; und • Ermitteln aus den Informationen über chemisch reaktive Formulierungen die Rezeptur einer Mehrzahl von chemisch reaktiven Formulierungen für eine Haarcoloration.
Computerlesbares Speichermedium, auf dem ein Computerprogrammcode zum computergestützten Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration bei Verwendung von chemisch reaktiven Formulierungen, der, wenn er von einem Prozessor ausgeführt wird, aufweist: • Trainieren des vorbestimmten Modells unter Verwendung von Informationen über chemisch reaktive Formulierungen als Eingangsgrößen und mindestens einer Eigenschaft eines entsprechenden Ergebnisses einer Haarcoloration als Ausgangsgröße einer Vielzahl zuvor ermittelter Haarcolorationen, wobei jeweils ein Tupel von Eingangsgrößen und Ausgangsgröße einer Haarcoloration einen Trainingsdatensatz bildet; • Auswählen einer Teilmenge von Trainingsdatensätzen aus einer Gesamtmenge von Trainingsdatensätzen zum Trainieren des vorbestimmten Modells.