摘要:為了提高計算機配色的效率,提出了一種基于粒子群優化算法(Particle SwarmOptimization algorithm)的RBFNN(radial base function neural network)解決織物染色配色問題的模型。該模型容易實現,沒有過多參數需要調整,并且提高了模型的收斂速度和精確度。仿真結果表明,用PSO算法優化的RBF神經網絡解決計算機織物染色配色問題是一種較好的方法。
近年來隨著計算機技術的迅速發展,計算機配色技術已經逐漸應用到織物染色配色領域中。由于神經網絡是解決非線性問題的極好模型,而計算機配色中的顏色空間正是一個非線性空間,因此,已有人將神經網絡應用到計算機配色技術中[1]。針對基于神經網絡的計算機配色中存在的一些問題,本文提出了基于PSO算法的RBF神經網絡解決織物染色配色問題的模型,并通過仿真對這個模型進行了驗證。
1·RBF神經網絡
多層前向BP網絡和RBF網絡是兩種應用廣泛的靜態網絡[2],其中RBF神經網絡是一種特殊的三層前向網絡,它具有非線性可分的模式空間映射到線性可分狀態空間的特性,適合于多變量函數逼近,理論上能夠以任意精確度逼近任意連續函數,被廣泛應用于模式識別,函數逼近,信號處理等方面。RBF網絡結構包括輸入層、隱層和輸出層。輸入層只傳遞輸入信號到隱層;隱層由一組徑向基函數構成,與每個隱層節點相關的參數向量為徑向基函數的中心和寬度;而輸出層節點通常是簡單的線性函數。RBF網絡的基函數常選用高斯函數,其表達式為：
式中,范數通常采用歐幾里德范數;cij是徑向基函數的中心;σi是徑向基函數的寬度;xj是輸入。一般來說,RBF網絡的學習過程可分為兩個階段:一是確定函數的參數,通常采用K-均值聚類方法;二是權值w的學習,采用監督學習方法。
2·粒子群優化(PSO)算法
粒子群優化(Particle Swarm Optimization-PSO)算法是近年來發展起來的一種新的進化算法。它和遺傳算法相似,但是遺傳算法的編程實現比較復雜,需要先對問題進行編碼,找到最優解后還要對問題進行解碼,另外3個基本算子:選擇、交叉和變異實現也有許多參數,如交叉率和變異率,這些參數的選擇大部分是依靠經驗,并且這些參數的選擇嚴重影響解的品質。1995年Eberhart博士和kennedy博士提出了一種新的進化算法:粒子群優化(Particle Swarm Optimization-PSO)算法[3]。由于這種算法具有實現容易、精度高、收斂快等優點,從而引起了學術界的重視,并且在解決實際問題中展示了其優越性。粒子群優化算法是對鳥群覓食過程的遷徙和聚集的模擬,通過追隨當前搜索到的最優值來尋找全局最優。它與遺傳算法不同的是沒有選擇、交叉、變異過程,采用速度-位置搜索模型。粒子群優化隨機初始化為一群粒子,每個粒子代表空間的一個候選解,解的優劣程度由適應度來決定。在每一次迭代中,粒子通過跟蹤兩個“極值”來更新自己的位置和速度,更新公式為：
此算法核心思想包括:
1)粒子以隨機方式在整個問題空間中流動并且可以對自己所處的環境進行評價;
2)每個粒子均可以記憶自己到過的最好位置和感知鄰近粒子已到達的最好位置;
3)在改變速度的同時考慮自己到過的最好位置和鄰近粒子已到達的最好位置。
[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：
