3种基于分区纽介堡方程的分色算法的误差分析

在分析基于线性回归、指数修正、胞元划分等3种算法原理的基础上,设计了实验,以评价3种算法在精度、稳定性上的优劣,从而为改进和优化分区纽介堡分色算法提供方向和思路。研究表明:在高保真印刷环境下,线性回归纽介堡方程精度和稳定性最低,指数修正纽介堡方程精度和稳定性其次,胞元划分纽介堡方程精度和稳定性最高。     

基于半色调实地的纽介堡方程修正方法

目的从网点墨量与实地墨量不同的角度出发,构建基于半色调实地三刺激值的纽介堡方程修正模型,从而提高纽介堡方程的计算精度。方法以符合G7认证的印刷标准文件为研究对象,从网点墨量与实地墨量不同的角度出发,通过求解半色调实地三刺激值,构建基于半色调实地三刺激值的纽介堡方程修正模型,利用色差法对该修正模型进行精度验证。结果验证结果表明,修正模型色差精度最大可以提高2.2 NBS,平均色差精度可以提高1.0 NBS。结论基于半色调实地三刺激值的纽介堡方程修正模型能够有效提高方程精度,研究结果对于印刷分色具有重要意义。     

基于子空间划分的多项式回归多色分色算法

提出了一种新的分色算法。方法首先对多色打印机进行色域分区,再将每个分区划分成若干个子空间,在每个子空间内运用最小二乘法建立多项式模型,对目标色度值进行分色时,搜索目标色度值所在最优子空间,求解对应的多项式方程,即可得到分色结果。实验表明,这种分色算法具有较高的精度和稳定性,能够满足多色高精度印刷的要求。     

XYZ到CMY颜色空间转换的研究

利用纽介堡方程研究三刺激值和网点面积率之间的转换关系,实现XYZ到CMY颜色空间的转换。并利用网点增大量法修正了纽介堡方程,提高了转换精度。     

基于纽介堡方程的黑版生成方法研究

在彩色印刷过程中,通常加印黑版用以补偿印刷图像暗调不足。 提出了一种基于纽介堡方程的黑版生成方法,选择 IT8. 7 / 3 中的部分色块为样本,通过纽介堡方程将样品的 XYZ 值进行转换,得到了相应的 CMY 网点面积率。 利用黑版计算公式,确定了相关参数的取值,最后得到了黑版值。 试验结果表明,该黑版生成方法具有一定的可靠性和实用性,对印刷分色和黑版生成具有参考价值和理论意义。     

基于胞元式 RBF 神经网络的高保真分色模型研究

采用胞元式RBF神经网络模型对七色印刷输出系统构建了分色模型。首先,借鉴颜色空间分区理论将7个主色在整个颜色空间中划分为了6个颜色区域,在每个分区中选取了CIE L*a*b*明度值L上等间隔均匀采样的网点面积率,用于设计建模所需的训练样本,然后对每个分区划分胞元,并且为每个小胞元建立了基于RBF神经网络的分色模型。对于任意给定的要复制的目标色,利用提出的胞元搜索算法确定其所在的胞元位置后,使用相应的神经网络模型进行分色预测。实验结果表明,该分色算法能够达到较高的分色精度,可以满足高质量彩色复制的要求。     

基于多项式回归的七色分色方法

利用多项式回归法进行分色建模,结合灰平衡及兼色设置,获得了最终的分色结果,然后设计实验,从分色误差、分色精度方面进行了评价。 结果表明,该分色方法取得的分色效果较好,可以更加准确地进行颜色复制。     

纽介堡方程计算精度的研究

研究了纽介堡方程的计算精度,即用不同尤尔-尼尔森系数n修正的纽介堡方程计算印品青、品、黄的网点百分比,然后讨论计算精度.实验发现,随着n值的增大,纽介堡方程计算精度降低,且黄色对n值最敏感.     

胞元纽介堡模型颜色预测性能的影响因素分析

目的 以色彩管理系统的研发为目标,研究多个因素对正向纽介堡模型颜色预测性能的影响,为模型应用提供参数优化方案.方法 借助Matlab平台模拟基于不同胞元等级、不同检验样本的位置和数量,以及不同胞元个性化修正方案的胞元纽介堡模型,并通过样本打印和测量实验,评价上述各因素对模型颜色预测性能的影响,确定模型的最优参数方案.结果 模型精度随胞元划分等级的增加而提升,但在4或5级胞元后精度逐渐稳定.另外,胞元内采样点数量、位置以及是否采用胞元个性化修正方案,对颜色转换精度都没有产生有效影响.确定将5级胞元划分,胞元中心采样和所有胞元统一修正指数作为胞元纽介堡模型的参数优化方案,与同类型算法模型的比较结果表明,在采样数量一致的情况下,参数优化的胞元纽介堡模型与i1 Profiler软件,胞元神经网络模型的预测色差都小于1个CIEDE2000色差单位,且相互间的差别都小于0.15,在系统误差范围内,胞元顶点距离插值算法的预测色差则达到了3以上.从算法结构上考虑,神经网络模型需要对所有胞元进行训练建模,计算量较大.结论 综合考虑算法精度和效率,参数优化的胞元纽介堡模型可以满足目前印刷工业中色彩复制的需要.     

胶印专色油墨配色的研究

在修正纽介堡方程基础上,将三刺激值配色法和光谱配色法相结合(简称"激谱配色法")对胶印专色油墨配色进行了理论与实验研究.根据网点扩大量修正法和指数修正法对纽介堡方程进行了修正,由三刺激值配色法和最小二乘法建立了配色的目标函数,通过求解函数的最小值得到油墨配方.实验结果表明,激谱配色法在进行配色计算时能满足实际配色的要求.     

基于BP神经网络的真空度测量精度改善方法研究

针对真空度测量精度低的现状,提出一种真空度测量精度改善方法。以热偶规为研究对象,基于BP神经网络设计真空度测量系统。通过设计BP网络结构,采用三种不同的算法对网络权值进行训练,以获得尽可能稳定、精度更高的BP神经网络。对三种算法由测试样本进行测试,三种算法训练的网络能较大程度地提高真空度测量精度,受热丝电流、热丝冷阻干扰影响大大减小;而且最速下降法对应的网络输出值波动较大,附加动量法次之,自适应学习速率调整法对应的输出值波动最小,波动量小于0.01。     

设备特征化过程中的三棱柱插值与多项式回归算法研究

介绍了目前设备特征化过程中色彩空间转换的主要方法,以从RGB色空间到Lab色空间的转换为例,讨论了三棱柱插值和多项式回归这2种算法,并通过实验检验了2种算法的效果,对实验数据进行了对比分析。结果表明,这2种算法在色彩管理领域的应用均有继续改进的空间。     

基于机器学习的电喷印精度预测方法研究

目的 节省电流体喷射打印精度预测的时间和解决电流体工艺参数的选择问题,达到提高电流体打印的质量和效率的目的。方法 为了对电流体喷射打印精度进行预测,提出有限元模型与机器学习相结合的方法。基于线性回归、支持向量回归和神经网络等机器学习算法建立4种参数与射流直径的关系模型。结果 算法结果表明:支持向量回归和神经网络预测模型的决定系数R²能达到0.9以上,表示模型可信度高;支持向量回归和神经网络预测模型指标都比线性回归预测模型的小。结论 机器学习算法可对电喷印打印精度进行有效预测,预测效率提高了十几倍,节省了精度预测的时间。     

三角剖分技术在颜色空间转换技术方面的应用

引入三角剖分技术,不仅成功解决了设备色域范围的确定问题,而且实现了三维查表插值法的分区。结合三维查找表四面体插值法,优化搜索算法,建立颜色转换模型。经216块全色域样本色靶检验,其转换精度与传统的Neugebauer方程反求转换模型相比,色彩转换精度高、效率高,取得了良好的建模效果。     

Experimental and prediction of sintered Cu–W composite by using artificial neural networks

High-energy mechanical milling was used to mix Cu and W powders. Cylindrical preforms with initial preform density of 85% were prepared using a die and punch assembly. The preforms were sintered in an electric muffle furnace at 750 °C, 800 °C, 850 °C, and subsequently furnace cooled and then the specimens are hot extruded to get 92% preform density. Scanning Electron Microscope and X-ray diffraction observations used to evaluate the characteristics. The pore size reduction during extrusion was studied using Auto CAD 2010. Neural networks are employed to study the tribological behavior of sintered Cu–W composites. The proposed neural network model has used the measured parameters namely the weight percentage of tungsten, sintering temperature, load and sliding distance to predict multiple material characteristics, hardness, specific wear rate, and coefficient of friction. The predicted values from the proposed networks coincide with the experimental values. In addition, a relative study between the regression analysis and the networks revealed that the artificial neural networks can predict the tribological characteristics of sintered Cu and W composites better than regression polynomials within a very few percent error.