摘要:为了提高计算机配色的效率,提出了一种基于粒子群优化算法(Particle SwarmOptimization algorithm)的RBFNN(radial base function neural network)解决织物染色配色问题的模型。该模型容易实现,没有过多参数需要调整,并且提高了模型的收敛速度和精确度。仿真结果表明,用PSO算法优化的RBF神经网络解决计算机织物染色配色问题是一种较好的方法。
近年来随着计算机技术的迅速发展,计算机配色技术已经逐渐应用到织物染色配色领域中。由于神经网络是解决非线性问题的极好模型,而计算机配色中的颜色空间正是一个非线性空间,因此,已有人将神经网络应用到计算机配色技术中[1]。针对基于神经网络的计算机配色中存在的一些问题,本文提出了基于PSO算法的RBF神经网络解决织物染色配色问题的模型,并通过仿真对这个模型进行了验证。
1·RBF神经网络
多层前向BP网络和RBF网络是两种应用广泛的静态网络[2],其中RBF神经网络是一种特殊的三层前向网络,它具有非线性可分的模式空间映射到线性可分状态空间的特性,适合于多变量函数逼近,理论上能够以任意精确度逼近任意连续函数,被广泛应用于模式识别,函数逼近,信号处理等方面。RBF网络结构包括输入层、隐层和输出层。输入层只传递输入信号到隐层;隐层由一组径向基函数构成,与每个隐层节点相关的参数向量为径向基函数的中心和宽度;而输出层节点通常是简单的线性函数。RBF网络的基函数常选用高斯函数,其表达式为：
式中,范数通常采用欧几里德范数;cij是径向基函数的中心;σi是径向基函数的宽度;xj是输入。一般来说,RBF网络的学习过程可分为两个阶段:一是确定函数的参数,通常采用K-均值聚类方法;二是权值w的学习,采用监督学习方法。
2·粒子群优化(PSO)算法
粒子群优化(Particle Swarm Optimization-PSO)算法是近年来发展起来的一种新的进化算法。它和遗传算法相似,但是遗传算法的编程实现比较复杂,需要先对问题进行编码,找到最优解后还要对问题进行解码,另外3个基本算子:选择、交叉和变异实现也有许多参数,如交叉率和变异率,这些参数的选择大部分是依靠经验,并且这些参数的选择严重影响解的品质。1995年Eberhart博士和kennedy博士提出了一种新的进化算法:粒子群优化(Particle Swarm Optimization-PSO)算法[3]。由于这种算法具有实现容易、精度高、收敛快等优点,从而引起了学术界的重视,并且在解决实际问题中展示了其优越性。粒子群优化算法是对鸟群觅食过程的迁徙和聚集的模拟,通过追随当前搜索到的最优值来寻找全局最优。它与遗传算法不同的是没有选择、交叉、变异过程,采用速度-位置搜索模型。粒子群优化随机初始化为一群粒子,每个粒子代表空间的一个候选解,解的优劣程度由适应度来决定。在每一次迭代中,粒子通过跟踪两个“极值”来更新自己的位置和速度,更新公式为：
此算法核心思想包括:
1)粒子以随机方式在整个问题空间中流动并且可以对自己所处的环境进行评价;
2)每个粒子均可以记忆自己到过的最好位置和感知邻近粒子已到达的最好位置;
3)在改变速度的同时考虑自己到过的最好位置和邻近粒子已到达的最好位置。
[1][2][3]下一页>>
相关信息 
推荐企业 推荐企业
推荐企业
您所在的位置：
