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。     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

基于BP神经网络模型的MEMS加速度计误差补偿方法

现阶段普遍采用多元线性回归对加速度计误差建模,并利用最小二乘法对模型参数辨识,但其对加速度计精度提高有限,因此该文提出一种基于BP神经网络模型的MEMS加速度计误差补偿方法。该方法利用BP神经网络建立加速度计误差模型,通过多位置翻滚进行实验数据测量,并对模型进行训练,最后利用训练好的模型对加速度计误差进行补偿。比较多元线性回归和BP神经网络建模对加速计误差补偿结果,其标准偏差分别为0.001 9 g和0.000 16 g。结果表明误差下降一个数量级,说明BP神经网络能有效地补偿加速度计误差。     

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。     

基于反射率的透明非吸收性材料分色模型

目的以反射率为基准,对透明非吸收性材料进行分色建模。方法通过入射光照射到透明非吸收性材料后经历的多重内反射及透射,建立基于CYNSN的透明非吸收性材料网点面积率,预测光谱透射率的模型,并确定优化后的Yule-Nielsen指数n和胞元等级数量,在印有底白的透明非吸收性材料上打印检验样本数据,以该数据为分色基准,基于线性回归迭代算法,建立透明非吸收性材料CYNSN透射稿分色模型。结果该分色模型能够达到比较高的分色精度,并且避免了分色过程中使用光谱透射率测量仪器,降低了成本,提高了数据测量效率,使透明非吸收性材料分色效果更加接近于反射稿。结论该模型是一种有效的透明非吸收性材料分色模型。     

神经网络模型在测试系统动态补偿中的应用

本讨论了神经网络模型在测试系统动态补偿中的应用,给出了相应的补偿方式,经过补偿后的测试系统满足不失真条件。试验结果表明,应用神经网络对测试系统进行动态补偿是一种行之有效的方法。     

多通道分色模型中的特征色样筛选研究

提出了一种基于颜色相关性的特征色样筛选方法。 首先利用特征色样色料分布(网点面积率)间的相关系数,从 CMYKGO 全色域采样生成的大量特征色样中,筛选出一部分具有相似网点面积率分布的特征色样,然后利用筛选后的最佳特征色样构建分色模型。 新方法能够在不影响分色精度的前提下,有效减少特征色样的使用数量,且在暗调区域有效利用了所有色料通道,因此比传统的采样分色方法能够再现更大的色域。     

基于RBF神经网络模型的传感器非线性补偿方法

针对传感器测量过程中各种环境因素(温度、湿度、磁场等)的影响,提出了一种新的非线性补偿方法,利用两个相同的距离传感器对物理量进行测量,建立RBF神经网络结构,并利用神经网络的学习记忆功能,消除主要环境因素对传感器输出的影响.通过实验和计算机仿真应用,证明这个系统提高了传感器测量的精度,具有良好的抗干扰性.     

3种主流分色算法的误差分析

在分析多项式回归、神经网络、修正的纽介堡方程这3种主流分色算法基本原理的基础上,对这3种类型算法分别采用新的实现方法进行设计,即:多项式回归算法的建模,通过多元回归分析求解出多项式的最小二乘估计值进行;神经网络算法的建模,采用基于径向基的RBF神经网络;纽介堡方程的建模,采用迭代法直接求解的方式。最后采用Matlab编程实现,并实验比较了3种算法的分色精度、稳定性等性能。研究结果表明:多项式回归算法稳定性和精度都最佳且平均色差小,RBF算法色块建模速度快,转换效果较好。最后分析了分色结果,提出了算法改进方向。     

基于饱和度优先的 BP 神经网络颜色空间转换模型研究

利用神经网络算法的非线性转换优势,构建了基于BP神经网络的颜色空间转换正向和反向仿真模型,提出了数据仿真饱和度优先的方法。通过训练样本的选取、仿真实验和数据分析,得到了较好的训练效率和转换效果。仿真结果表明,BP神经网络适合于颜色空间转换,转换精度较高。     

基于RBF神经网络的色空间转换模型

研究了RBF神经网络的结构及算法,应用RBF神经网络建立了打印机的色空间转换模型.根据实验数据,对网络结构进行了优化,通过比较不同参数时网络的性能,确定最优网络参数.最后对所建模型进行了仿真验证,验证结果表明,预测数据与实测数据的色差较小,说明该模型具有实用价值.     

基于BP神经网络的CMY到XYZ颜色空间转换算法研究

对基于BP神经网络的CMY到XYZ颜色空间转换算法进行了探讨,给出了算法工作流程并建立了模型.最后通过实验对算法进行了验证.     

基于分区的 RBF 神经网络颜色空间转换模型的研究

根据 CMYK 颜色空间的特点,对其进行了分区处理,利用 RBF 神经网络最佳逼近性能、全局最优特性和高度非线性转换的优势,构建了基于 RBF 神经网络每个颜色空间分区转换的正向和反向模型。 通过训练样本建模和测试仿真实验,并对最后的实验数据分析处理,最终获得了一个较好的神经网络模型,并且模型的精度非常高。     

遗传算法优化 BP 神经网络的显示器色彩空间转换

目的基于改进遗传算法优化BP神经网络,研究对显示器色彩空间转换的预测准确性的方法。方法通过改进数据归一化处理和遗传算法的适应度函数,来优化BP神经网络的权值和阈值,以将它们的分布范围缩小,再用BP算法进行精确求解,并将该方式与常规方式作对比。结果训练优化后的BP神经网络预测模型20次,测试色块平均色差为2.9353,最小平均色差为1.9467。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于 LMBP 神经网络的柔印专色配色模型研究

目的针对柔印专色配色模型甚少问题,构建柔版印刷专色配色模型。方法以BP人工神经网络非线性、自学习等特点为基础,引入LMBP算法对传统的BP算法进行改进,从而构建柔版印刷专色配色模型,同时运用Matlab软件结合标准印刷测试版对模型进行训练。结果隐层节点为17的单隐层BP算法虽然也可达到预计要求,但隐层节点为8的单隐层LMBP算法精度更高,逼近效果更好。结论该柔版印刷专色配色模型符合精度要求,可以用于实践。     

基于GA-BP神经网络的彩色扫描仪光谱特征化

为了实现彩色扫描仪的光谱特征化,采用一种GA修正的BP神经网络与PCA相结合的方法对其进行研究。首先,通过主成分分析,对训练样本的光谱反射率进行降维,以RGB信号和降维后的光谱数据作为输入、输出变量进行GA-BP神经网络的建模,对任意RGB信号都可以通过模型得到其低维光谱信号;再通过主成分分析重构光谱反射率,由此实现RGB信号对光谱反射率的重构,即实现扫描仪的光谱特征化。实验结果表明,GA的优化有效地改善了BP神经网络的极值问题,提高了模型的预测精度,PCA在不影响模型精度的同时提高了模型的效率。由此说明,所提出的模型能够满足扫描仪光谱特征化的需求。     

基于BP神经网络的数码相机颜色特征化

以色度学理论和神经网络为基础,在综合比较数码相机颜色特征化方法之后,采用了基于BP神经网络的颜色特征化方法。利用MATLAB实现了从RGB到XYZ及Lab的颜色空间转换,比较了2种转换模型的精度,统计分析了该模型产生训练误差和测试误差的主要原因,验证了RGB→Lab转换算法是一种较优和可靠的方法。