影像科学与光化学
影像科學與光化學
영상과학여광화학
IMAGING SCIENCE AND PHOTOCHEMISTRY
2015年
3期
238-243
,共6页
RBF神经网络%光谱预测%打印机%扩展项
RBF神經網絡%光譜預測%打印機%擴展項
RBF신경망락%광보예측%타인궤%확전항
RBF neural network%spectral prediction%printer%extensions
本文提出一种基于RBF(Radial Basis Function,径向基函数)神经网络的打印机光谱预测模型,通过扩展神经网络模型输入变量的项数提高模型的预测精度,扩展项多采用通道驱动值的交叉值、平方值.实验结果表明[1 cmy]项的引入能够有效提高模型的预测精度,同时提高网络的泛化能力.而引入[cm2 cy2 mc2 my2 yc2 ym2]项会导致模型预测精度以及泛化能力降低.[1 cmy]、[c2m2y2]和[cmcy my]项的组合在预测精度和模型泛化能力上均是最优化的,对总样本预测的色度精度为0.475ΔE00,光谱精度RMSE为0.43％.因此选择[1 cmy c2m2y2 cmcy my c m y]作为输入变量的RBF神经网络训练模型是满足高精度光谱预测的最优模型.
本文提齣一種基于RBF(Radial Basis Function,徑嚮基函數)神經網絡的打印機光譜預測模型,通過擴展神經網絡模型輸入變量的項數提高模型的預測精度,擴展項多採用通道驅動值的交扠值、平方值.實驗結果錶明[1 cmy]項的引入能夠有效提高模型的預測精度,同時提高網絡的汎化能力.而引入[cm2 cy2 mc2 my2 yc2 ym2]項會導緻模型預測精度以及汎化能力降低.[1 cmy]、[c2m2y2]和[cmcy my]項的組閤在預測精度和模型汎化能力上均是最優化的,對總樣本預測的色度精度為0.475ΔE00,光譜精度RMSE為0.43％.因此選擇[1 cmy c2m2y2 cmcy my c m y]作為輸入變量的RBF神經網絡訓練模型是滿足高精度光譜預測的最優模型.
본문제출일충기우RBF(Radial Basis Function,경향기함수)신경망락적타인궤광보예측모형,통과확전신경망락모형수입변량적항수제고모형적예측정도,확전항다채용통도구동치적교차치、평방치.실험결과표명[1 cmy]항적인입능구유효제고모형적예측정도,동시제고망락적범화능력.이인입[cm2 cy2 mc2 my2 yc2 ym2]항회도치모형예측정도이급범화능력강저.[1 cmy]、[c2m2y2]화[cmcy my]항적조합재예측정도화모형범화능력상균시최우화적,대총양본예측적색도정도위0.475ΔE00,광보정도RMSE위0.43％.인차선택[1 cmy c2m2y2 cmcy my c m y]작위수입변량적RBF신경망락훈련모형시만족고정도광보예측적최우모형.
