日本大尺度R级在线观看视频

<ruby id="dujra"></ruby>

    <input id="dujra"></input>

    <track id="dujra"></track>
      1. <optgroup id="dujra"></optgroup>

        基于神經網絡的測色儀器系統誤差分析和校正


        摘 要:為了提高工業生產過程中廣泛應用的光電積分測色儀的測試精度, 分析、研究儀器誤差成為儀器設計的重要內容之一。 在分析探測器的光譜三刺激非線性誤差的基礎上, 進行了測色儀原理誤差的研究, 提出了基于人工神經網絡的非線性濾波器的方法, 并建立了一個基于神經網絡的非線性濾波器黑箱模型。實驗表明:用此三刺激值計算的色品坐標、色差等參數均達到了設計要求。
        **詞:色差計 三刺激值 神經網絡

        0  引言
         
        顏色測量和定量控制 ,尤其是色差評定 ,是科學研究和生產中常需解決的問題。隨著單片機技術的發展 , 研制這種高性能價格比的智能化測色儀器成為可能。在實際工業生產過程中,光電積分測色儀的應用**為廣泛 ,其測量準確度主要取決于光電探測器的光譜響應特性與標準照明條件下的光譜響應特性曲線相一致。
         
        為了提高儀器的測試精度 , **減小儀器誤差。測色色差計的誤差主要是原理誤差 ,減小原理誤差采取的措施有 :增加預熱時間 ;調整濾色片的種類和厚度 ;用導光筒上的螺紋以消除雜散光 ,使儀器總的光譜響應特性盡可能滿足盧瑟條件。與傳統的用濾色片對光電探測器的光譜反應特性進行校正的方法不同 ,本文所述是用神經網絡處理數據的方法對其光譜反應特性進行擬合 ,使它的光譜響應很像人眼的視覺系統。
         
        1  儀器基本原理和組成
         
        1. 1  儀器組成
         
        測色色差計由照明、探測和數據處理等三部分組成 ,如圖 1所示。照明系統由光源和光學系統組成 ,光源選用發光效率較高且光通量穩定的鹵鎢燈。光學系統由透鏡和隔熱玻璃組成 ,光源發出的光經過凸透鏡后變成平行光 ,再經隔熱玻璃濾掉紅外和紫外部分后作為載波作用于被測對象。探測系統由光學變換和光電轉換兩部分組成 , 光學變換是通過光接受器 ;積分球、擋板、濾色片實現的。經光學變換后的光載波中含有被測對象的信息 , 稱為光信號。光信號被光電探測器接收 ,并轉換成易于處理的電信號。數據處理系統包括放大電路、A /D 轉換、中央處理器、顯示、打印等。
        2  神經網絡非線性擬合
         
        儀器不可能完全滿足盧瑟條件 , 也就是說實際匹配的校正濾色器的光譜曲線和 10°視場 D65 光源 C IE 標準觀察者三刺激值曲線存在差異。采用 3 層前饋神經網絡實現兩種曲線的非線性擬合 :網絡輸入層的三輸入是經過線性變換計算出物體色的三刺激值歸一化處理后的數據 ;輸出訓練后的測量數據 ,然后進行還原計算 ,得到物體色的三刺激值。
         
        神經網絡的結構對整個神經網絡系統的特性具有決定性的影響。本測色系統采用的 3 層前饋網絡結構如圖 3 所示 , 輸入層和輸出層各有 3 個節點。根據 K olm ogo rov定理 (連續函數表示定理 ),為了理論上能**模擬該連續函數 , 若 3層神經網絡圖的輸入層為 M 個節點 ,輸出層為 N 個節點 ,則中間層應為 2M +1 個節點。為此我們選擇中間隱層的節點數為 2M +1 = 2 ×3 +1 =7個節點 。因此 ,本神經網絡結構為輸入層 3 個節點 、中間層 7個節點 、輸出層 3 個節點 。
         
        反向傳播算法 (BP 算法 )是 1 種**常采用的前向神經網絡訓練算法。在實用中 BP 算法存在兩個重要問題 :收斂速度慢和目標函數存在局部極小。
         
        分布的較小的數, 這些數在 ( - 1. 732 ~ 7. 732)之間,經
         
        多次訓練 ,確定步長 η=0. 32, β =0. 49, φ=1. 6, α=0. 87
         
        的數值。選取 300個樣本數據。
         
        3 - 7 - 3三層前向網絡的 Vogl快速算法的步驟 :
         
        ① 初始化 , 設置所有可調參數 (權值 、閾值和步長參數 )的初始值 ;② 提供 300個訓練樣本 ,對每個樣本進行下面步驟 ② ~ ④的迭代 ;③ 根據式 (5)計算輸出層 3個單元和隱層 7 個單元的輸出 ;④ 根據式 (6) 和 (7)計算輸出層 3 個單元和隱層 7個單元的訓練誤差 ;⑤ 根據式 (8)修正權值 ;⑥ 判斷指標是否滿足精度要求 :E <ε,精度 ε=0. 01;⑦ 結束。
         
        學習過程的流程圖如圖 4所示。

        根據 V og l算法步驟和圖 4, 編寫 C 語言程序 ,在PC上訓練樣本數據 ,確定出權值和閥值等參數 。把確定參數后的網絡程序移植到單片機系統中 ,對測量的三刺激值進行訓練 ,輸出訓練后的測量數據 ,然后進行還原計算 ,得到三刺激值 ;進而計算各種顏色參數。
         
        3  神經網絡泛化性能測試
         
        檢驗網絡泛化能力時 ,應當用訓練集以外的測試集樣本。訓練集用于訓練網絡 ,使網絡能夠按照學習算法調節結構參數 ,以達到學習的目的 ;測試集則是用于評價已訓練好的網絡的泛化能力。測試集 300 個樣本和訓練集 300個樣本都選自《設計色彩分類手冊》中的 2 360種顏色 ,所選取的顏色分布在色品圖的整個色域 , 能夠代表整個色域。用 SC - 80C 型全自動色差計測得測試集 300組數據來檢測網絡的泛化能力。經過訓練

        4  結束語
         
        由上面 3個表可得出結論 :匹配出濾色器后 ,不經過神經網絡修正三刺激值時 , 對標準色板測量得到的三刺激值與其標準值的差值個別較大 ,比如黃色板的 Z 刺激值的差值 Z ′=2. 02大于設計目標 Z <1. 5,所以不能滿足設計要求 ;神經網絡進行修正后 ,對標準色板測量的三刺激值與其標準值的差值都小于 1. 5,而且用此三刺激值計算的色品坐標、色差等參數均達到設計要求。
        日本大尺度R级在线观看视频

        <ruby id="dujra"></ruby>

        <input id="dujra"></input>

        <track id="dujra"></track>
          1. <optgroup id="dujra"></optgroup>