一种基于人工神经网络算法的油墨预置方法技术

本发明专利技术公开了一种基于人工神经网络算法的油墨预置方法，包括以下步骤：S1、建立三层神经网络油墨预置模型；S2、输入层的内容包括平均油墨覆盖率和印刷用油墨的粘度和流动性以及承印物表面光泽度；S3、隐藏层是输入层的全连接层；S4、输出层的输入来源于隐藏层通过激活函数g(z)的计算结果；S5、用经验数据初始化模型参数；S6、整理模型训练数据集；S7、将整理好的训练数据代入建立的三层神经网络油墨预置模型；S8、根据模型输出y值与真实值Y之间的误差对八个模型参数进行优化；S9、将新活件对应的三个参数带入优化后的步骤S8的模型，即可计算出对应的墨牙开度。有益效果：提高油墨预置的准确度，提高印刷质量和效率。提高印刷质量和效率。提高印刷质量和效率。

An ink presetting method based on artificial neural network algorithm

【技术实现步骤摘要】
一种基于人工神经网络算法的油墨预置方法


[0001]本专利技术涉及印刷领域，具体来说，涉及一种基于人工神经网络算法的油墨预置方法。

技术介绍

[0002]在胶版印刷工艺中，通过控制胶印机的墨牙开度来调节最终印刷品的图文深浅，达到精确复制和印刷效果。因此根据被印刷图文的深浅分布，调节印刷机每个墨牙的开度是印刷工艺中很关键的一环。墨牙开度大小直接影响印刷品质量。
[0003]传统的方式是靠印刷机机长凭借自己的经验调节一个自己觉得相对合理的开度，开机测试，然后根据测试结果进行迭代优化，直至印出的效果达到预期或样张效果。这个过程叫印刷机调机校色过程，是印刷开机量产之前最费时和费纸张的环节。
[0004]请参考图1
‑
2为了辅助印刷机长快速找到最优化的墨牙开度，缩短调机时间，减少调机纸张浪费，降低对人为经验的依赖，本领域出现了一种通过油墨预置曲线进行油墨预置的方法。该方法是通过获取印刷图文在印张上的分布，即图文覆盖率，然后建立起图文覆盖率与墨牙开度之间的映射关系。这种映射关系现即为油墨预置曲线。
[0005]印品在印张上的图文覆盖率数据在印前计算机直接制版(CTP)过程中即可方便地获取。因此油墨预置的关键就是如何根据已知的图文覆盖率预测该印品在某台印刷机上印刷出预期效果所对应的墨牙开度组合。
[0006]现有的技术假设最终印品效果只与印品图文覆盖率有关系，并且假设二者是一种线性映射关系，用一根线性曲线即“油墨预置曲线”来通过图文覆盖率预测活件对应的墨牙开度。而实际生产过程中，印品效果与印品图文覆盖率之间的关系并不能用简单的线性对应关系进行充分描述。一个印刷作品的最终效果还受诸如油墨特性、印刷机本身的机械和电气性能、承印物表面光泽度等很多因素的影响。因此用一根经验曲线描述图文覆盖率与某台印刷机的墨牙开度之间的关系，与实际有一定的差距。这会导致油墨预置效果大打折扣，仍然需要进行多次迭代调节才能追上目标效果。
[0007]再加上实际生产过程中，同一台印刷机通常在不同活件之间切换，使用不同的油墨，机电性能也会随着时间的推移而变化，会加大这种线性油墨预置曲线映射效果的不准确度。有时预置结果甚至与真实结果背道而驰，相差甚远。
[0008]针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

[0009]本专利技术的目的在于提供一种基于人工神经网络算法的油墨预置方法，以解决上述
技术介绍
中提出的问题。
[0010]为实现上述目的，本专利技术提供如下技术方案：
[0011]一种基于人工神经网络算法的油墨预置方法，包括以下步骤：
[0012]S1、建立输入层、隐藏层和输出层，三层神经网络油墨预置模型；
[0013]S2、输入层的内容包括每色印版上对应墨区的平均油墨覆盖率x1,和印刷用油墨的粘度和流动性x2以及描述承印物表面光泽度x3；
[0014]S3、隐藏层是输入层的全连接层，包括数量为三个的神经元；
[0015]S4、输出层的输入来源于隐藏层通过激活函数g(z)的计算结果；
[0016]S5、用经验数据初始化模型参数；
[0017]S6、按步骤S2的说明，整理模型训练数据集；
[0018]S7、将整理好的训练数据代入本申请建立的三层神经网络油墨预置模型，计算出训练数据对应的模型输出y值；
[0019]S8、采用误差逆传播(BP)算法，根据模型输出y值与真实值Y之间的误差对八个模型参数进行优化；
[0020]S9、将新活件对应的三个参数：油墨覆盖率(x1)、印刷油墨特性(x2)和承印物表面光泽度(x3)带入优化后的步骤S8的模型，即可计算出对应的墨牙开度。
[0021]进一步的，所述步骤S2中，每色印版上对应墨区的平均油墨覆盖率x1的取值范围为[0,1]，印刷用油墨的粘度和流动性x2取值范围为[0,1],值越大，油墨粘度越高，描述承印物表面光泽度x3取值范围为[0,1]，值越大，承印物表面越光滑。
[0022]进一步的，所述步骤S3中，隐藏层神经元的计算公式为：z
i
＝w
i
X+b
i
,其中w
i
为权重系数，b
i
为偏倚数，引入选择Sigmoid函数为激活函数g(z)，对线性输出结果z
i
进行计算，增加模型的非线性表征能力，从输入层至隐藏层的完整计算过程如下：
[0023]z
11
＝w1x1[0024]z
12
＝w1x2[0025]z
13
＝w1x3[0026]隐藏层第一个神经元的计算公式为：z1＝g(z
11
+z
12
+z
13
+b1)＝g(w1x1+w1x2+w1x3+b1)；
[0027]z
21
＝w2x1[0028]z
22
＝w2x2[0029]z
23
＝w2x3[0030]隐藏层第二个神经元的计算公式为：z2＝g(z
21
+z
22
+z
23
+b2)＝g(w2x1+w2x2+w2x3+b2)；
[0031]z
31
＝w3x1[0032]z
32
＝w3x2[0033]z
33
＝w3x3[0034]隐藏层第三个神经元的计算公式为：z3＝g(z
31
+z
32
+z
33
+b3)＝g(w3x1+w3x2+w3x3+b3)。
[0035]进一步的，所述步骤S4中，输出层神经元的计算公式为：Z＝wX+b,然后再将计算出的结果代入激活函数中，得到最终输出y,即墨牙开度，从隐藏层至输出层的完整计算过程如下：
[0036]y＝g(wz1+wz2+wz3+b)。
[0037]进一步的，所述步骤S8中采用误差逆传播(BP)算法，根据模型输出y值与真实值Y之间的误差对八个模型参数进行优化包括以下步骤：
[0038]S81、前向传播：从输入层到输出层逐层计算出每个功能神经元的激励函数输出，并缓存；
[0039]S82、反向传播：从输出层到输入层逐层计算出每个神经元的计算误差，从而计算出梯度，需要使用在前向传播中缓存的激励函数输出值；
[0040]S83、权值更新：按照更新规则更新权重。
[0041]进一步的，重复步骤S8，用新产生的印刷生产数据对模型进行动态优化和调整，提高油墨预置模型的逼真程度和预测能力。
[0042]与现有技术相比，本专利技术具有以下有益效果：
[0043]本申请旨在基于深度神经网络算法建立起影响印品效果与多种可变印刷工艺参数之间的多层深度神经网络模型。通过该模型可以充分地描述多种印刷可变参数对最终印品效果的影响，相比目前只用线性转换曲线去描述本是多维复杂映射的关系更加充分和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络算法的油墨预置方法，其特征在于，包括以下步骤：S1、建立输入层、隐藏层和输出层，三层神经网络油墨预置模型；S2、输入层的内容包括每色印版上对应墨区的平均油墨覆盖率x1,和印刷用油墨的粘度和流动性x2以及描述承印物表面光泽度x3；S3、隐藏层是输入层的全连接层，包括数量为三个的神经元；S4、输出层的输入来源于隐藏层通过激活函数g(z)的计算结果；S5、用经验数据初始化模型参数；S6、按步骤S2的说明，整理模型训练数据集；S7、将整理好的训练数据代入建立的三层神经网络油墨预置模型，计算出训练数据对应的模型输出y值；S8、采用误差逆传播(BP)算法，根据模型输出y值与真实值Y之间的误差对八个模型参数进行优化；S9、将新活件对应的三个参数：油墨覆盖率(x1)、印刷油墨特性(x2)和承印物表面光泽度(x3)带入优化后的步骤S8的模型，即可计算出对应的墨牙开度。2.根据权利要求1所述的一种基于人工神经网络算法的油墨预置方法，其特征在于，所述步骤S2中，每色印版上对应墨区的平均油墨覆盖率x1的取值范围为[0,1]，印刷用油墨的粘度和流动性x2取值范围为[0,1],值越大，油墨粘度越高，描述承印物表面光泽度x3取值范围为[0,1]，值越大，承印物表面越光滑。3.根据权利要求1所述的一种基于人工神经网络算法的油墨预置方法，其特征在于，所述步骤S3中，隐藏层神经元的计算公式为：z
i
＝w
i
X+b
i
,其中w
i
为权重系数，b
i
为偏倚数，引入选择Sigmoid函数为激活函数g(z)，对线性输出结果z
i
进行计算，增加模型的非线性表征能力，从输入层至隐藏层的完整计算过程如下：z
11
＝w1x1z
12
＝w1x2z
13
＝w1x3隐藏层第一个神经元的计算公式为：z1＝g(...

【专利技术属性】
技术研发人员：张宗祥，李冠达，
申请(专利权)人：天津海顺印业包装有限公司，
类型：发明
国别省市：