資源描述：
《關(guān)于顏色空間轉(zhuǎn)換的RBF網(wǎng)絡(luò)動態(tài)子空間自動劃分辨識方法研究.pdf》由會員上傳分享，免費在線閱讀，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)動態(tài)子空問自動劃分辨識方法研究105關(guān)于顏色空間轉(zhuǎn)換的RBF網(wǎng)絡(luò)動態(tài)子空間自動劃分辨識方法研究智川(陜西科技大學，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)于基于動態(tài)子空間自動劃分的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)；動態(tài)劃分中圖分類號：TS801．3文獻標識碼：A文章編號：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o以目前很多學者將其應(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，從層，其主要功能是進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)被很多學者所證明，它可以以各樣的形式，這些函數(shù)都有一個共同特點，即徑向?qū)θ我饩缺平我庖粋€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)看成是對未知函數(shù)的逼收稿日期：201卜1O一26基金項目：2010年陜西科技大學校級自選科研項目(ZX10—03)作者簡介：智川(1972一)，男，河北人，博士研究生，陜西科技大學講師，主要研究方向為印刷色彩復制。106包裝工程PACKAGINGENGINEERINGVo1．33No．12012—01近，則對于任何函數(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)。理強對于如何選擇合適的RBF函數(shù)、如何確定隱節(jié)蠖
8、缸點數(shù)，以使網(wǎng)絡(luò)學習能達到所要求的精度，目前還無法解決。當前，主要使用計算機進行選擇、設(shè)計、再檢驗，這是一種通用的手段。采用Matlab工具箱，設(shè)計和研究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時的網(wǎng)絡(luò)訓練過程net—newrb(P，T，GOAL，spread)Fig．1Thenetworktrainingprocess其中：P，T為輸入向量和期望輸出向
