关于颜色空间转换的RBF网络动态子空间自动划分辨识方法研究.pdf

《关于颜色空间转换的RBF网络动态子空间自动划分辨识方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、智川关于颜色空间转换的RBF网络动态子空问自动划分辨识方法研究105关于颜色空间转换的RBF网络动态子空间自动划分辨识方法研究智川(陕西科技大学，西安710021)摘要：以RGB与CIELab颜色空间转换为例，采用径向基函数(RBF)神经网络，研究了颜色值在不同颜色空间之间的转换。利用基本采样数据集建立了颜色空间转换RBF网络模型，并通过增加样本数据，采用动态规划颜色子空间的方法，提高了模型转换精度。研究结果显示，该方法的转换速度和精度都优于基于动态子空间自动划分的BP神经网络颜色空间转换方法。关键词：颜色空

2、间转换；径向基函数；神经网络；动态划分中图分类号：TS801．3文献标识码：A文章编号：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由于神经网络算法具有高度非线性拟合能力，所点o以目前很多学者将其应用于不同颜色空间之间的转换研究。在神经网络算法中，应用最为广泛的是BP1RBF网络神经网络，国内外有关这方面的研究虽然已经很多¨1]，但由于BP神经网络权值和阈值的调节采用RBF神经网络由输入层、RBF层和输出层3层负梯度下降的方法，这种权值和阈值的调节方法收敛结构所构成。对于输入层，其主要功能是将网络速度慢，并且容易陷入局部极小。1988年，Broom—与外界环境连

6、接起来，而RBF层是网络中仅有的隐head和Lowe首先将RBF应用于神经网络设计，从层，其主要功能是进行从输入空间到隐层空间的非线而构成了RBF神经网络结构算法，该算法本身是一性映射，隐层节点中的传递函数(即基函数)具有各种种局部逼近网络，已经被很多学者所证明，它可以以各样的形式，这些函数都有一个共同特点，即径向对任意精度逼近任意一个连续函数，并且该网络还具有称。网络的输出层是简单的线性函数，其功能是为输很高的模型转换速度。本文将RBF神经网络用于颜出层的激活模式提供响应。色空间转换模型，以研究其在颜色空间

7、转换中的特如果把RBF神经网络看成是对未知函数的逼收稿日期：201卜1O一26基金项目：2010年陕西科技大学校级自选科研项目(ZX10—03)作者简介：智川(1972一)，男，河北人，博士研究生，陕西科技大学讲师，主要研究方向为印刷色彩复制。106包装工程PACKAGINGENGINEERINGVo1．33No．12012—01近，则对于任何函数，都可以将其表示成一组基函数的加权和，即选择隐含层神经元传递函数，使之构成一组基函数，利用这组基函数以逼近未知函数。理强对于如何选择合适的RBF函数、如何确定隐节蠖

8、缸点数，以使网络学习能达到所要求的精度，目前还无法解决。当前，主要使用计算机进行选择、设计、再检验，这是一种通用的手段。采用Matlab工具箱，设计和研究RBF神经网络在颜色空间的转换中的情况。其调用方式如下。即：图1spread取值为8O时的网络训练过程net—newrb(P，T，GOAL，spread)Fig．1Thenetworktrainingprocess其中：P，T为输入向量和期望输出向