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