摘要:為了提高計算機(jī)配色的效率,提出了一種基于粒子群優(yōu)化算法(Particle SwarmOptimization algorithm)的RBFNN(radial base function neural network)解決織物染色配色問題的模型。該模型容易實(shí)現(xiàn),沒有過多參數(shù)需要調(diào)整,并且提高了模型的收斂速度和精確度。仿真結(jié)果表明,用PSO算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)解決計算機(jī)織物染色配色問題是一種較好的方法。
近年來隨著計算機(jī)技術(shù)的迅速發(fā)展,計算機(jī)配色技術(shù)已經(jīng)逐漸應(yīng)用到織物染色配色領(lǐng)域中。由于神經(jīng)網(wǎng)絡(luò)是解決非線性問題的極好模型,而計算機(jī)配色中的顏色空間正是一個非線性空間,因此,已有人將神經(jīng)網(wǎng)絡(luò)應(yīng)用到計算機(jī)配色技術(shù)中[1]。針對基于神經(jīng)網(wǎng)絡(luò)的計算機(jī)配色中存在的一些問題,本文提出了基于PSO算法的RBF神經(jīng)網(wǎng)絡(luò)解決織物染色配色問題的模型,并通過仿真對這個模型進(jìn)行了驗(yàn)證。
1·RBF神經(jīng)網(wǎng)絡(luò)
多層前向BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)是兩種應(yīng)用廣泛的靜態(tài)網(wǎng)絡(luò)[2],其中RBF神經(jīng)網(wǎng)絡(luò)是一種特殊的三層前向網(wǎng)絡(luò),它具有非線性可分的模式空間映射到線性可分狀態(tài)空間的特性,適合于多變量函數(shù)逼近,理論上能夠以任意精確度逼近任意連續(xù)函數(shù),被廣泛應(yīng)用于模式識別,函數(shù)逼近,信號處理等方面。RBF網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱層和輸出層。輸入層只傳遞輸入信號到隱層;隱層由一組徑向基函數(shù)構(gòu)成,與每個隱層節(jié)點(diǎn)相關(guān)的參數(shù)向量為徑向基函數(shù)的中心和寬度;而輸出層節(jié)點(diǎn)通常是簡單的線性函數(shù)。RBF網(wǎng)絡(luò)的基函數(shù)常選用高斯函數(shù),其表達(dá)式為：
式中,范數(shù)通常采用歐幾里德范數(shù);cij是徑向基函數(shù)的中心;σi是徑向基函數(shù)的寬度;xj是輸入。一般來說,RBF網(wǎng)絡(luò)的學(xué)習(xí)過程可分為兩個階段:一是確定函數(shù)的參數(shù),通常采用K-均值聚類方法;二是權(quán)值w的學(xué)習(xí),采用監(jiān)督學(xué)習(xí)方法。
2·粒子群優(yōu)化(PSO)算法
粒子群優(yōu)化(Particle Swarm Optimization-PSO)算法是近年來發(fā)展起來的一種新的進(jìn)化算法。它和遺傳算法相似,但是遺傳算法的編程實(shí)現(xiàn)比較復(fù)雜,需要先對問題進(jìn)行編碼,找到最優(yōu)解后還要對問題進(jìn)行解碼,另外3個基本算子:選擇、交叉和變異實(shí)現(xiàn)也有許多參數(shù),如交叉率和變異率,這些參數(shù)的選擇大部分是依靠經(jīng)驗(yàn),并且這些參數(shù)的選擇嚴(yán)重影響解的品質(zhì)。1995年Eberhart博士和kennedy博士提出了一種新的進(jìn)化算法:粒子群優(yōu)化(Particle Swarm Optimization-PSO)算法[3]。由于這種算法具有實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn),從而引起了學(xué)術(shù)界的重視,并且在解決實(shí)際問題中展示了其優(yōu)越性。粒子群優(yōu)化算法是對鳥群覓食過程的遷徙和聚集的模擬,通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)。它與遺傳算法不同的是沒有選擇、交叉、變異過程,采用速度-位置搜索模型。粒子群優(yōu)化隨機(jī)初始化為一群粒子,每個粒子代表空間的一個候選解,解的優(yōu)劣程度由適應(yīng)度來決定。在每一次迭代中,粒子通過跟蹤兩個“極值”來更新自己的位置和速度,更新公式為：
此算法核心思想包括:
1)粒子以隨機(jī)方式在整個問題空間中流動并且可以對自己所處的環(huán)境進(jìn)行評價;
2)每個粒子均可以記憶自己到過的最好位置和感知鄰近粒子已到達(dá)的最好位置;
3)在改變速度的同時考慮自己到過的最好位置和鄰近粒子已到達(dá)的最好位置。
[1][2][3]下一頁>>
相關(guān)信息 
推薦企業(yè) 推薦企業(yè)
推薦企業(yè)
編.gif)
您所在的位置：
