1．1 BP網絡的訓練
由于BP網絡隱層的數目及隱層神經元個數的選取尚無理論上的指導(聞新等，2003)：，試驗采用了三層BP網絡結構，即輸入層、隱層和輸出層．隱層節點的數目通過試驗多次對比網絡的穩定性和收斂速度確定．網絡采用正切S函數(即tansig函數)作為網絡的響應函數．隱層節點采用1O～20個神經元．網絡學習系數采用0．005～0．01．網絡訓練次數為1000次．
1．2建立基礎類庫
實際染色工藝中，針對客戶的不同需求，一般對深色、一般色及淺色采用不用的染料系列進行染色．故本試驗中按照實際生產情況，對深三元采用虹光系列、中三元采用極品系列、淺三元采用京仁系列染料建立分類網絡．對于一個學習系統，樣本選取既要能夠代表整體特性，又要反映配色過程內部復雜的機理和規律．試驗分別選取單色和拼色進行打樣試驗，得出樣本值、教師值訓練網絡，然后用訓練后的網絡進行配色．試驗結果對于單色染色的配方數據誤差小，導向性好，而對于2種或3種混合染料的配色，給出的配方數據跟實際打樣數據誤差比較大．原因是在染色過程中，多種染料之間存在相互作用，如覆蓋、滲透等，而不是簡單符合理想的加法混色或減法混色．因此，試驗采用混色數據訓練神經網絡，使其通過在學習過程中改變連接權值自動記憶工藝特征，總結色料混合規律，對不同染色工藝進行學習．基礎類庫中建立針對深三元、中三元、淺三元不同類的三拼色方分類表格．由于染色過程染料上染影響因素復雜，因此在計算機配色算法中神經網絡的訓練需要大量的樣本數據，樣本數據需要涵蓋所有常用配方．試驗初期基礎類表格的教師值設計在1000種左右．
1．3訓練神經網絡配色
BP網絡隱層節點的數目確定理論上沒有嚴格的規定，對于復雜的非線性問題，特別針對染色配色、氣味分辨等感官類問題，由于影響因素復雜，選用的隱層節點個數確定在10～30個(2004年神經網絡國際年會)．這樣就防止了隱層節點數目過多而影響網絡的收斂速度；也防止隱層節點數目過少引起的網絡陷入局部極小．通過試驗，采用12個樣本進行學習，網絡的收斂速度如表1所示．
.jpg)
最終試驗建立了具有30個節點數的BP網絡，其結構如下：5期董紅安：用于染色的神經網絡計算機配色算法
.jpg)
1．4 BP網絡樣本數據的規格化處理
訓練數據的規格化處理：在BP網絡設計中，使用的響應函數為對數S形函數，原因是對數S形函數產生的輸出在0～1，滿足染色配方的輸出形式．Sigmoid函數的形式為f(x)=(1+e)-1．該函數在=l4時，f(x)=1．000001；=15時，f(x)=1．000000．而配色中的樣本數據，即色樣的、y、Z三刺激值多數>15，這樣BP網絡就無法實現對權值的調整，因此必須對數據進行規格化．在試驗BP網絡實現中，對試驗數據分別除以100，使f(x)<1，從而避免了權值“停滯”現象．
<<上一頁[1][2][3]下一頁>>
相關信息 
推薦企業 推薦企業
推薦企業
您所在的位置：
