光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2012年
5期
949-956
,共8页
可调目标源%对比度标定%LM算法%缩放法%神经网络
可調目標源%對比度標定%LM算法%縮放法%神經網絡
가조목표원%대비도표정%LM산법%축방법%신경망락
搭建了可调对比度目标源装置,研究了图像对比度和光学对比度的关系,提出了用改进的BP神经网络标定对比度的方法.首先,设计了用于对比度标定的BP神经网络模型.然后,利用LM( Levenberg-Marquardt)算法结合缩放法改进神经网络以提高其收敛速度及泛化能力.最后,通过可调对比度目标源装置实验平台,由测量的辐照度得出了对应的图像对比度数据,使该装置可以通过调节辐照度实时获得规定的对比度.与传统BP神经网络方法相比,改进后的BP神经网络收敛速度快,泛化能力强.标定精度比经典BP算法提高了100倍,比最速下降法提高了10倍.训练次数仅需2 876次时,对比度的标定值与目标值的误差最大值是0.01％,训练均方误差收敛为0.000 459 441,测试误差收敛为0.000 467 003,满足了对检验装置中对比度标定的需要.
搭建瞭可調對比度目標源裝置,研究瞭圖像對比度和光學對比度的關繫,提齣瞭用改進的BP神經網絡標定對比度的方法.首先,設計瞭用于對比度標定的BP神經網絡模型.然後,利用LM( Levenberg-Marquardt)算法結閤縮放法改進神經網絡以提高其收斂速度及汎化能力.最後,通過可調對比度目標源裝置實驗平檯,由測量的輻照度得齣瞭對應的圖像對比度數據,使該裝置可以通過調節輻照度實時穫得規定的對比度.與傳統BP神經網絡方法相比,改進後的BP神經網絡收斂速度快,汎化能力彊.標定精度比經典BP算法提高瞭100倍,比最速下降法提高瞭10倍.訓練次數僅需2 876次時,對比度的標定值與目標值的誤差最大值是0.01％,訓練均方誤差收斂為0.000 459 441,測試誤差收斂為0.000 467 003,滿足瞭對檢驗裝置中對比度標定的需要.
탑건료가조대비도목표원장치,연구료도상대비도화광학대비도적관계,제출료용개진적BP신경망락표정대비도적방법.수선,설계료용우대비도표정적BP신경망락모형.연후,이용LM( Levenberg-Marquardt)산법결합축방법개진신경망락이제고기수렴속도급범화능력.최후,통과가조대비도목표원장치실험평태,유측량적복조도득출료대응적도상대비도수거,사해장치가이통과조절복조도실시획득규정적대비도.여전통BP신경망락방법상비,개진후적BP신경망락수렴속도쾌,범화능력강.표정정도비경전BP산법제고료100배,비최속하강법제고료10배.훈련차수부수2 876차시,대비도적표정치여목표치적오차최대치시0.01％,훈련균방오차수렴위0.000 459 441,측시오차수렴위0.000 467 003,만족료대검험장치중대비도표정적수요.
