小的數(shù)值,一般都是設(shè)定為0.0001-0.0000001,具體設(shè)定值要根據(jù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果判斷,太大神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果不理想,太小又無(wú)法收斂;
[0064]S34,計(jì)算各隱含層和輸出層節(jié)點(diǎn)的輸出;
[0065]S35,計(jì)算所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出的誤差指標(biāo)函數(shù)Ε;
[0066]S36,比較所述訓(xùn)練誤差允許值ε和所述誤差指標(biāo)函數(shù)Ε,若Ε < ε,訓(xùn)練結(jié)束,輸出訓(xùn)練結(jié)果。因?yàn)橛?xùn)練過(guò)程就是不斷修正各權(quán)重值和閾值,使得在訓(xùn)練誤差允許值范圍內(nèi)輸入向量和輸出向量建立起非線性關(guān)系,輸出的訓(xùn)練結(jié)果就是得到最終的權(quán)重值和閾值。
[0067]S37,若Ε > ε,更新所述權(quán)重值和所述閾值,并進(jìn)行訓(xùn)練次數(shù)判斷;
[0068]S38,判斷是否達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù),若達(dá)到訓(xùn)練次數(shù),則停止訓(xùn)練;
[0069]S39,若未達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù),跳轉(zhuǎn)至步驟S34繼續(xù)進(jìn)行訓(xùn)練。
[0070]在上述步驟S4中,具體步驟為:
[0071 ] S41,導(dǎo)入驗(yàn)證樣本歸一化數(shù)據(jù);
[0072]S42,執(zhí)行驗(yàn)證程序,得到所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果。在本步驟中,根據(jù)步驟S3中輸出的訓(xùn)練結(jié)果作為初級(jí)人工神經(jīng)網(wǎng)絡(luò)最終的權(quán)重值和閾值,導(dǎo)入驗(yàn)證樣本歸一化數(shù)據(jù)得到輸出結(jié)果。
[0073]S43,比較所述輸出結(jié)果與真實(shí)值之間的驗(yàn)證誤差。在本步驟中,導(dǎo)入驗(yàn)證樣本歸一化數(shù)據(jù)包含輸入值和期望輸出值,根據(jù)輸入值和步驟S3中輸出的訓(xùn)練結(jié)果得到輸出結(jié)果,真實(shí)值即為期望輸出值。
[0074]S44,判斷所述驗(yàn)證誤差是否符合預(yù)設(shè)期望精度;
[0075]若所述驗(yàn)證結(jié)果符合預(yù)設(shè)期望精度,則將所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型確定為最終的人工神經(jīng)網(wǎng)絡(luò)模型;
[0076]S45中,若所述驗(yàn)證結(jié)果不符合預(yù)設(shè)期望精度,則修正所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型并跳轉(zhuǎn)至步驟S3。
[0077]如圖3所示,為本發(fā)明實(shí)施例提供的一種基于人工神經(jīng)網(wǎng)絡(luò)的最佳質(zhì)量圖像掃描系統(tǒng),包括:
[0078]分析單元1,用于對(duì)圖像的原始掃描參數(shù)進(jìn)行分析,獲取訓(xùn)練樣本和驗(yàn)證樣本;
[0079]處理單元2,與分析單元1相連接,用于通過(guò)插值得到所述訓(xùn)練樣本和所述驗(yàn)證樣本未知點(diǎn)的插值數(shù)據(jù),分別將獲取插值數(shù)據(jù)后的所述訓(xùn)練樣本和所述驗(yàn)證樣本進(jìn)行歸一化處理,獲取訓(xùn)練樣本歸一化數(shù)據(jù)和驗(yàn)證樣本歸一化數(shù)據(jù);
[0080]訓(xùn)練單元3,與處理單元2相連接,用于利用神經(jīng)網(wǎng)絡(luò)工具,根據(jù)所述訓(xùn)練樣本歸一化數(shù)據(jù)建立初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練;
[0081]驗(yàn)證單元4,與訓(xùn)練單元3相連接,用于根據(jù)所述驗(yàn)證樣本歸一化數(shù)據(jù)對(duì)所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證,得到最終的人工神經(jīng)網(wǎng)絡(luò)模型;
[0082]仿真預(yù)測(cè)單元5,與驗(yàn)證單元4相連接,用于根據(jù)所述人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真預(yù)測(cè)。
[0083]進(jìn)一步地,訓(xùn)練單元3具體用于:
[0084]首先,導(dǎo)入訓(xùn)練樣本歸一化數(shù)據(jù),獲取初級(jí)人工神經(jīng)網(wǎng)絡(luò)的輸入向量和期望輸出向量;
[0085]然后,設(shè)置訓(xùn)練誤差允許值ε,初始化各權(quán)重值和閾值;
[0086]接著,計(jì)算各隱含層和輸出層節(jié)點(diǎn)的輸出;
[0087]再次,計(jì)算所述人工神經(jīng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出的誤差指標(biāo)函數(shù)Ε,比較所述誤差指標(biāo)函數(shù)Ε與所述訓(xùn)練誤差允許值ε的大??;
[0088]再次,若Ε彡ε,訓(xùn)練結(jié)束,輸出訓(xùn)練結(jié)果;
[0089]再次,若Ε > ε,更新所述權(quán)重值和所述閾值并判斷是否達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù),若達(dá)到訓(xùn)練次數(shù),則停止訓(xùn)練;
[0090]最后,若未達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù),則重新計(jì)算各隱含層和輸出層節(jié)點(diǎn)繼續(xù)進(jìn)行訓(xùn)練。
[0091]進(jìn)一步地,驗(yàn)證單元4具體用于:
[0092]首先,導(dǎo)入驗(yàn)證樣本歸一化數(shù)據(jù);
[0093]然后,執(zhí)行驗(yàn)證程序,得到所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果;
[0094]接著,比較所述輸出結(jié)果與真實(shí)值之間的驗(yàn)證誤差;
[0095]最后,判斷所述驗(yàn)證誤差是否符合預(yù)設(shè)期望精度;
[0096]若所述驗(yàn)證結(jié)果符合預(yù)設(shè)期望精度,則將所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型確定為最終的人工神經(jīng)網(wǎng)絡(luò)模型;
[0097]若所述驗(yàn)證結(jié)果不符合預(yù)設(shè)期望精度,則修正所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型并跳轉(zhuǎn)至所述訓(xùn)練單元繼續(xù)訓(xùn)練。
[0098]以上所述僅為本發(fā)明的較佳實(shí)施例而已,并不用以限制本發(fā)明,凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1.一種基于人工神經(jīng)網(wǎng)絡(luò)的最佳質(zhì)量圖像掃描方法,其特征在于,所述最佳質(zhì)量圖像掃描方法包括以下步驟: 步驟A,對(duì)圖像的原始掃描參數(shù)進(jìn)行分析,獲取訓(xùn)練樣本和驗(yàn)證樣本; 步驟B,通過(guò)插值得到所述訓(xùn)練樣本和所述驗(yàn)證樣本未知點(diǎn)的插值數(shù)據(jù),分別將獲取插值數(shù)據(jù)后的所述訓(xùn)練樣本和所述驗(yàn)證樣本進(jìn)行歸一化處理,獲取訓(xùn)練樣本歸一化數(shù)據(jù)和驗(yàn)證樣本歸一化數(shù)據(jù); 步驟C,利用神經(jīng)網(wǎng)絡(luò)工具,根據(jù)所述訓(xùn)練樣本歸一化數(shù)據(jù)建立初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練; 步驟D,根據(jù)所述驗(yàn)證樣本歸一化數(shù)據(jù)對(duì)所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證,得到最終的人工神經(jīng)網(wǎng)絡(luò)模型; 步驟E,根據(jù)所述人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真預(yù)測(cè)。2.如權(quán)利要求1所述的最佳質(zhì)量圖像掃描方法,其特征在于,所述步驟C包括: 步驟C1,導(dǎo)入訓(xùn)練樣本歸一化數(shù)據(jù),獲取初級(jí)人工神經(jīng)網(wǎng)絡(luò)的輸入向量和期望輸出向量; 步驟C2,設(shè)置訓(xùn)練誤差允許值ε,初始化各權(quán)重值和閾值; 步驟C3,計(jì)算各隱含層和輸出層節(jié)點(diǎn)的輸出; 步驟C4,計(jì)算所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出的誤差指標(biāo)函數(shù)Ε,比較所述誤差指標(biāo)函數(shù)Ε與所述訓(xùn)練誤差允許值ε的大小; 步驟C5,若Ε < ε,訓(xùn)練結(jié)束,輸出訓(xùn)練結(jié)果; 步驟C6,gE> ε,更新所述權(quán)重值和所述閾值并判斷是否達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù),若達(dá)到訓(xùn)練次數(shù),則停止訓(xùn)練; 步驟C7,若未達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù),跳轉(zhuǎn)至步驟C3繼續(xù)進(jìn)行訓(xùn)練。3.如權(quán)利要求1所述的最佳質(zhì)量圖像掃描方法,其特征在于,所述步驟D具體包括: 步驟D1,導(dǎo)入驗(yàn)證樣本歸一化數(shù)據(jù); 步驟D2,執(zhí)行驗(yàn)證程序,得到所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果; 步驟D3,比較所述輸出結(jié)果與真實(shí)值之間的驗(yàn)證誤差; 步驟D4,判斷所述驗(yàn)證誤差是否符合預(yù)設(shè)期望精度; 若所述驗(yàn)證結(jié)果符合預(yù)設(shè)期望精度,則將所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型確定為最終的人工神經(jīng)網(wǎng)絡(luò)模型; 若所述驗(yàn)證結(jié)果不符合預(yù)設(shè)期望精度,則修正所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型并跳轉(zhuǎn)至步驟C。4.一種基于人工神經(jīng)網(wǎng)絡(luò)的最佳質(zhì)量圖像掃描系統(tǒng),其特征在于,所述最佳質(zhì)量圖像掃描系統(tǒng)包括: 分析單元,用于對(duì)圖像的原始掃描參數(shù)進(jìn)行分析,獲取訓(xùn)練樣本和驗(yàn)證樣本; 處理單元,與所述分析單元相連接,用于通過(guò)插值得到所述訓(xùn)練樣本和所述驗(yàn)證樣本未知點(diǎn)的插值數(shù)據(jù),分別將獲取插值數(shù)據(jù)后的所述訓(xùn)練樣本和所述驗(yàn)證樣本進(jìn)行歸一化處理,獲取訓(xùn)練樣本歸一化數(shù)據(jù)和驗(yàn)證樣本歸一化數(shù)據(jù); 訓(xùn)練單元,與所述處理單元相連接,用于利用神經(jīng)網(wǎng)絡(luò)工具,根據(jù)所述訓(xùn)練樣本歸一化數(shù)據(jù)建立初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練; 驗(yàn)證單元,與所述訓(xùn)練單元相連接,用于根據(jù)所述驗(yàn)證樣本歸一化數(shù)據(jù)對(duì)所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證,得到最終的人工神經(jīng)網(wǎng)絡(luò)模型; 仿真預(yù)測(cè)單元,與所述驗(yàn)證單元相連接,用于根據(jù)所述人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真預(yù)測(cè)。5.如權(quán)利要求4所述的最佳質(zhì)量圖像掃描系統(tǒng),其特征在于,所述訓(xùn)練單元具體用于: 首先,導(dǎo)入訓(xùn)練樣本歸一化數(shù)據(jù),獲取初級(jí)人工神經(jīng)網(wǎng)絡(luò)的輸入向量和期望輸出向量; 然后,設(shè)置訓(xùn)練誤差允許值ε,初始化各權(quán)重值和閾值; 接著,計(jì)算各隱含層和輸出層節(jié)點(diǎn)的輸出; 再次,計(jì)算所述人工神經(jīng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出的誤差指標(biāo)函數(shù)Ε,比較所述誤差指標(biāo)函數(shù)Ε與所述訓(xùn)練誤差允許值ε的大??; 再次,若Ε < ε,訓(xùn)練結(jié)束,輸出訓(xùn)練結(jié)果; 再次,若Ε> ε,更新所述權(quán)重值和所述閾值并判斷是否達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù),若達(dá)到訓(xùn)練次數(shù),則停止訓(xùn)練; 最后,若未達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù),則重新計(jì)算各隱含層和輸出層節(jié)點(diǎn)繼續(xù)進(jìn)行訓(xùn)練。6.如權(quán)利要求1所述的最佳質(zhì)量圖像掃描方法,其特征在于,所述驗(yàn)證單元具體用于: 首先,導(dǎo)入驗(yàn)證樣本歸一化數(shù)據(jù); 然后,執(zhí)行驗(yàn)證程序,得到所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果; 接著,比較所述輸出結(jié)果與真實(shí)值之間的驗(yàn)證誤差; 最后,判斷所述驗(yàn)證誤差是否符合預(yù)設(shè)期望精度; 若所述驗(yàn)證結(jié)果符合預(yù)設(shè)期望精度,則將所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型確定為最終的人工神經(jīng)網(wǎng)絡(luò)模型; 若所述驗(yàn)證結(jié)果不符合預(yù)設(shè)期望精度,則修正所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型并跳轉(zhuǎn)至所述訓(xùn)練單元繼續(xù)訓(xùn)練。
【專利摘要】本發(fā)明適用于圖像處理技術(shù)領(lǐng)域,提供了一種基于人工神經(jīng)網(wǎng)絡(luò)的最佳質(zhì)量圖像掃描方法,包括:A,對(duì)原始掃描參數(shù)進(jìn)行分析,獲取訓(xùn)練樣本和驗(yàn)證樣本;B,通過(guò)插值得到插值數(shù)據(jù)并進(jìn)行處理獲取訓(xùn)練樣本歸一化數(shù)據(jù)和驗(yàn)證樣本歸一化數(shù)據(jù);C,利用神經(jīng)網(wǎng)絡(luò)工具,根據(jù)所述訓(xùn)練樣本歸一化數(shù)據(jù)建立初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練;D,根據(jù)所述驗(yàn)證樣本歸一化數(shù)據(jù)對(duì)所述初級(jí)人工神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證,得到最終的人工神經(jīng)網(wǎng)絡(luò)模型;步驟E,根據(jù)所述人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真預(yù)測(cè)。本發(fā)明將正交實(shí)驗(yàn)獲得的樣本數(shù)據(jù)進(jìn)行分類,并據(jù)此建立人工神經(jīng)網(wǎng)絡(luò)模型,通過(guò)人工神經(jīng)網(wǎng)絡(luò)模型對(duì)掃描參數(shù)進(jìn)行預(yù)測(cè)和優(yōu)化,縮短優(yōu)化掃描參數(shù)時(shí)間,提高圖像掃描效率。
【IPC分類】G06N3/08
【公開號(hào)】CN105354611
【申請(qǐng)?zhí)枴緾N201510642404
【發(fā)明人】程濤
【申請(qǐng)人】程濤
【公開日】2016年2月24日
【申請(qǐng)日】2015年10月8日