⑥若Ｅ（ｘ（ｋ＋１））＜Ｅ（ （志）），則令ｋ—ｋ＋ｌ， 一 ／９，回到②；否則這次不更新權值和閾值，令ｘ（ｋ＋１）一 （是）、 一 ，并回到④。
⑦停止。
２ 改進的ＬＭＢＰ神經網絡改進的ＬＭＢＰ神經網絡是針對上面ＬＭ算法提出的加快收斂速度的方法。將ＬＭ算法步驟⑥中的調整策略改變為：／１一 （２ ），ｋ為只進入此步小循環的次數。如果某一步產生了更小的Ｅ（ （是）），則 在下一步的調整策略改變為 一 ／（２ ）。 初值一般取０．００１，』９值取４比較合適 。
３ 神經網絡配色模型的設計與實現
１９８９年，Ｒｏｂｅｒｔ Ｈｅｃｈｔ—Ｎｉｅｌｓｏｎ證明了當各節點具有不同的閾值時，具有一個隱層的神經網絡可以用來逼近任意的連續函數。因此，取用一個隱層，即３層網絡，就能完成非線性映射。試驗采用由輸入層、隱層和輸出層構成的３層網絡結構。輸入層和輸出層的結點個數可由涉及的問題領域直接得到。在配色系統中，輸入的是客戶提供布料的ＣＭＹ值，因此，輸入層采用３個神經元節點。網絡輸出值是工廠３種染料的濃度以輸出層也為３個節點，分別是３種染料３ＢＳ，３ＲＳ，ＦＢＮ的濃度值。對于ＬＭＢＰ神經網絡，確定其網絡結構的關鍵就在于確定隱層結點的個數。隱層神經元數目的選擇是十分復雜的問題，需要根據設計者的經驗和多次試驗來確定，因此，不存在一個理想的解析式來表達。隱層神經元數與所研究問題的要求、輸入和輸出的神經元數都有直接的關系。一定存在一個最佳的隱層神經元數，而且這個數目因研究對象和內容的不同而不同。由于應用對象的不同，隱層神經元數難以用統一的模式確定，所以將經驗法和試算法相結合來確定隱層神經元個數更具有可靠性。經驗法最常用的公式為初定隱層節點數的經驗公式ｓ＝＝＝Ｊ０．４３ｍｎ＋０．１２ｎ ＋２．５４ｍ＋０．７７ｎ＋０．３５＋０．５１式中， 為隱層節點數；１＂／為輸出層節點數； 為輸入層節點數。計算值需經四舍五人取整。試算法是先從一個網絡開始，若不符合要求則逐步增加或減少隱層節點數到合適為止。經驗法和試算 法相結合的具體步驟ｌ＿５ 如下：
①利用經驗法確定初始的隱層神經元數。
②進行網絡訓練和測試。
③不斷增加或減少隱層神經元數。
④比較不同隱層神經元數時的訓練和測試結果，
選取合適的隱層神經元數。
本文采用經驗法和試算法相結合的方法來確定基于ＬＭＢＰ算法的神經網絡模型的隱層神經元的個數。設計完成的織物染色配色模型。
<<上一頁[1][2]
相關信息 
推薦企業 推薦企業
推薦企業
您所在的位置：
