資源描述：
《關(guān)于顏色空間轉(zhuǎn)換的RBF網(wǎng)絡(luò)動(dòng)態(tài)子空間自動(dòng)劃分辨識(shí)方法研究.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、智川關(guān)于顏色空間轉(zhuǎn)換的RBF網(wǎng)絡(luò)動(dòng)態(tài)子空問自動(dòng)劃分辨識(shí)方法研究105關(guān)于顏色空間轉(zhuǎn)換的RBF網(wǎng)絡(luò)動(dòng)態(tài)子空間自動(dòng)劃分辨識(shí)方法研究智川(陜西科技大學(xué)，西安710021)摘要：以RGB與CIELab顏色空間轉(zhuǎn)換為例，采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)，研究了顏色值在不同顏色空間之間的轉(zhuǎn)換。利用基本采樣數(shù)據(jù)集建立了顏色空間轉(zhuǎn)換RBF網(wǎng)絡(luò)模型，并通過增加樣本數(shù)據(jù)，采用動(dòng)態(tài)規(guī)劃顏色子空間的方法，提高了模型轉(zhuǎn)換精度。研究結(jié)果顯示，該方法的轉(zhuǎn)換速度和精度都優(yōu)于基于動(dòng)態(tài)子空間自動(dòng)劃分的BP神經(jīng)網(wǎng)絡(luò)顏色空間轉(zhuǎn)換方法。關(guān)鍵詞：顏色空
2、間轉(zhuǎn)換；徑向基函數(shù)；神經(jīng)網(wǎng)絡(luò)；動(dòng)態(tài)劃分中圖分類號(hào)：TS801．3文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001—3563(2012)01—0105—03OnAutomaticDivisionandIdentificationMethodofDynamicSub—spaceofRBFNetworkforColorSpaceConversionZHIChuan(ShaanxiUniversityofScience&Technology，Xi'an710021，China)Abstract：Radialbasisfunction
3、(RBF)neuralnetworkwasappliedtOstudytheconversionofcolorvaluesbe—tweendifferentcolorspacebyusingthecolorspaceconversionofRGBtoCIELabasexample．RBFneuralnetworkmodelofcolorspaceconversionwasestablishedbyusingbasicdatasetsofsample．Theprecisionofmodelconversionw
4、asimprovedbyaddingsampledataandusingcolorsubspacedynamicplanningmethod．TheresultshowedthattheconversionspeedandprecisionofthismethodisbetterthandynamicsubspaceautomaticdividedBPneuralnetworkcolorspaceconversionmethod．Keywords：colorspaceconversion；radialbasi
5、sfunction；neuralnetwork；dynamicdivision由于神經(jīng)網(wǎng)絡(luò)算法具有高度非線性擬合能力，所點(diǎn)o以目前很多學(xué)者將其應(yīng)用于不同顏色空間之間的轉(zhuǎn)換研究。在神經(jīng)網(wǎng)絡(luò)算法中，應(yīng)用最為廣泛的是BP1RBF網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)，國(guó)內(nèi)外有關(guān)這方面的研究雖然已經(jīng)很多¨1]，但由于BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的調(diào)節(jié)采用RBF神經(jīng)網(wǎng)絡(luò)由輸入層、RBF層和輸出層3層負(fù)梯度下降的方法，這種權(quán)值和閾值的調(diào)節(jié)方法收斂結(jié)構(gòu)所構(gòu)成。對(duì)于輸入層，其主要功能是將網(wǎng)絡(luò)速度慢，并且容易陷入局部極小。1988年，Broom—與外界環(huán)境連
6、接起來，而RBF層是網(wǎng)絡(luò)中僅有的隱head和Lowe首先將RBF應(yīng)用于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，從層，其主要功能是進(jìn)行從輸入空間到隱層空間的非線而構(gòu)成了RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法，該算法本身是一性映射，隱層節(jié)點(diǎn)中的傳遞函數(shù)(即基函數(shù))具有各種種局部逼近網(wǎng)絡(luò)，已經(jīng)被很多學(xué)者所證明，它可以以各樣的形式，這些函數(shù)都有一個(gè)共同特點(diǎn)，即徑向?qū)θ我饩缺平我庖粋€(gè)連續(xù)函數(shù)，并且該網(wǎng)絡(luò)還具有稱。網(wǎng)絡(luò)的輸出層是簡(jiǎn)單的線性函數(shù)，其功能是為輸很高的模型轉(zhuǎn)換速度。本文將RBF神經(jīng)網(wǎng)絡(luò)用于顏出層的激活模式提供響應(yīng)。色空間轉(zhuǎn)換模型，以研究其在顏色空間
7、轉(zhuǎn)換中的特如果把RBF神經(jīng)網(wǎng)絡(luò)看成是對(duì)未知函數(shù)的逼收稿日期：201卜1O一26基金項(xiàng)目：2010年陜西科技大學(xué)校級(jí)自選科研項(xiàng)目(ZX10—03)作者簡(jiǎn)介：智川(1972一)，男，河北人，博士研究生，陜西科技大學(xué)講師，主要研究方向?yàn)橛∷⑸蕪?fù)制。106包裝工程PACKAGINGENGINEERINGVo1．33No．12012—01近，則對(duì)于任何函數(shù)，都可以將其表示成一組基函數(shù)的加權(quán)和，即選擇隱含層神經(jīng)元傳遞函數(shù)，使之構(gòu)成一組基函數(shù)，利用這組基函數(shù)以逼近未知函數(shù)。理強(qiáng)對(duì)于如何選擇合適的RBF函數(shù)、如何確定隱節(jié)蠖
8、缸點(diǎn)數(shù)，以使網(wǎng)絡(luò)學(xué)習(xí)能達(dá)到所要求的精度，目前還無法解決。當(dāng)前，主要使用計(jì)算機(jī)進(jìn)行選擇、設(shè)計(jì)、再檢驗(yàn)，這是一種通用的手段。采用Matlab工具箱，設(shè)計(jì)和研究RBF神經(jīng)網(wǎng)絡(luò)在顏色空間的轉(zhuǎn)換中的情況。其調(diào)用方式如下。即：圖1spread取值為8O時(shí)的網(wǎng)絡(luò)訓(xùn)練過程net—newrb(P，T，GOAL，spread)Fig．1Thenetworktrainingprocess其中：P，T為輸入向量和期望輸出向
