一种具有增量式学习能力的墨键开度预测方法技术

本发明专利技术是数字化印刷油墨预置的方法，提出了一种基于Fuzzy?ART神经网络和BP神经网络的Fuzzy?ART-BP混合神经网络算法的墨键开度值预测方法。该网络充分利用Fuzzy?ART神经网络的自学习、自组织和对信息模糊化处理能力将输入向量产生稳定的分类，针对每个分类利用BP神经网络对训练样本的输入和输出向量进行非线性映射，即以印刷现场温度、湿度和印刷机转速以及墨区对应的网点面积率为输入向量，以墨键开度值作为输出向量，建立训练样本的图文数字信息与墨键控制参数间的映射关系，用收敛的网络来预测新样本的墨键开度值。该网络学习的针对性更强，减少BP网络的迭代次数，同时使网络具有增量式学习的能力，提高了网络的泛化性。

【技术实现步骤摘要】

本专利技术属于数字印刷领域，具体涉及。
技术介绍
随着印前领域中数字文件使用的增多，数字流程越来越多地应用于印刷工艺，数字流程在CTP (计算机直接制版)技术中的作用越来越重要。同时印刷企业面临的短板、复杂和快速的印刷生产活越来越多，这样也对印刷企业提出了更高的要求。对印刷企业来说，缩短印刷准备时间的一个有效办法就是对油墨进行预先设置。预先估计墨槽最佳出墨量并进行墨键预置，可以节约很多印刷机的开机准备时间、降低生产成本、提高印刷质量和效率，还可以显著降低纸张的浪费。 印刷机控制油墨用量的方法实际上是把印版上可印刷的部分在垂直长边的方向分成很多个狭长的区域-墨区或墨道，每个墨区的墨量是可以根据印版上此墨区面积内图文部分所占的面积百分比-网点面积率的多少进行精确调节的，图文部分的面积百分比越高，则需要的墨量越多。油墨预置就是在开始印刷前根据胶片、印版或其他载体得到各墨区内的网点面积率等信息，并建立网点面积率与墨键开度之间的函数关系，进而初步设定印刷机上各墨区的上墨量。油墨预置技术是数字化技术进入印刷生产环节的代表性技术，是数字化印刷工作流程中重要的关键技术之一，对印刷质量和印刷效率起着决定性的作用。传统的基于BP神经网络算法的油墨预置技术不具备对训练样本数据的增量学习能力(在线学习)，而且泛化能力弱，对新样本数据训练学习时会破坏网络已经记忆的模式，导致网络的墨键开度预测结果不够准确。为解决该问题本文使用Fuzzy ART (模糊自适应共振神经网络)和BP (Back Propagation)神经网络，将两种神经网络进行综合应用形成一种具有增量式学习能力的Fuzzy ART-BP混合神经网络。然而,基于Fuzzy ART-BP混合神经网络算法的油墨预置技术可以有效地节省了印刷机开机的调整时间，减少开机准备的纸张、油墨浪费，同时降低了印刷操作人员的劳动强度，克服了印刷操作人员单凭经验来调控墨量带来的弊端和BP神经网络对新样本数据学习训练时不能实现增量式学习的弊端，提高了油墨预置技术的预测精度。
技术实现思路
本专利技术涉及。国内印刷业为了进一步提高印刷质量和生产效率，一些企业相继引进了国外各种油墨预置系统，在开机前预先调整印刷机的墨键，但油墨预置系统在实际应用中却不尽人意，没有考虑到墨键间相互影响、印刷条件的影响，同时不能对新样本数据的学习训练实现增量式学习，致使没有达到预期的使用效果。本专利技术所述的方法是以实地密度(均匀且无空白地印刷出来的表面颜色密度)符合国标印刷标准的印张为训练样本，运用Fuzzy ART-BP混合神经网络对训练样本进行有导师训练及对未训练和训练的样本进行墨键开度预测，其中BP神经网络选用3层(输入层、隐含层和输出层)。首先将客户的原稿数字化，即得到完整的版面数据信息，然后通过RIP (光栅图像处理器)光栅化处理后产生点阵信息，并将产生的点阵信息通过软件转化产生低分辨率的版面信息，即网点面积率。以印刷现场条件(包括现场温度、现场湿度、印刷机转速)与墨区对应的网点面积率作为Fuzzy ART-BP混合神经网络的输入原始数据，并对输入原始数据进行[O，I]归一化后送至Fuzzy ART-BP混合神经网络的输入层，以训练样本对应的墨键开度作为Fuzzy ART-BP混合神经网络的输出层原始数据，同时也对输出原始数据进行[O，I]归一化处理后送至Fuzzy ART-BP混合神经网络的输出层，其中BP神经网络的隐含层节点数设定在21-35，根据训练结果进行最优调整，最终选取隐含层节点数23。调用Fuzzy ART-BP算法程序对合格实际印张训练学习，从而建立了印张图文数字信息和印刷条件(现场温度、现场湿度、印刷机转速)与墨键开度的非线性映射关系，FuzzyART神经网络首先对印张图文数字信息和印刷条件进行自适应聚类操作，针对分类后的数 据进行BP神经网络训练学习，当BP神经网络收敛误差小于lOe-4时，BP神经网络最终收敛，保存非线性映射的权值和阈值，以及Fuzzy ART神经网络的权值至数据库。如果当BP神经网络的收敛误差不小于lOe-4时，继续对训练样本对迭代计算，直至收敛误差小于lOe-4。用训练好的Fuzzy ART-BP混合神经网络来预测未训练样本，墨键开度预测值通过网络或者存储媒介传送到印刷机的实时数据库中，进而由控制台控制印刷机印刷。该方法可有效缩短开机准备时间，提高印刷效率和质量，实现对新样本数据进行增量式的学习。Fuzzy ART-BP混合神经网络算法进行训练时是采用的有导师学习方式，其主要思想是输入学习的样本向量，首先经过Fuzzy ART神经网络进行自适应竞争聚类，修改输入向量所属类别的权值，然后就输入向量所属类别使用反向传播算法BP对BP神经网络的权值和阈值进行反复的调整训练，使得实际输出的向量与期望输出向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存此时网络的权值和阈值，FuzzyART-BP混合神经网络训练学习结束。为了更好地使用基于Fuzzy ART-BP混合神经网络算法的数字化油墨预置技术，本文给出了 Fuzzy ART-BP混合神经网络算法详细的步骤，具体介绍如下(I)参数介绍Fuzzy ART-BP混合神经网络的输入向量P= (&1，a2，…an)T，20彡η彡30 ;即墨区的网点面积率、现场温度、现场湿度和印刷机转速归一化的数据。Fuzzy ART-BP混合神经网络期望输出向量T= (S1, s2, wsq)T,q=n-3 ;即墨键开度归一化的数据；隐含层单兀输入向量S=(s1; s2,…sp)T,p取21-35 ;输出向量B=Od1, b2,…bp)T,p取21-35。输出层单兀输入向量L=G1, I2,…1<j)t，q=n-3 ;实际输出向量CKc1, C2,q=n-3o wI2 …输入层至隐含层的连接权Wiljl,Wm= , , :1 , W , W . · * · Wni 2npil=l, 2,…，p, jl=l, 2,…，η。 隐含层至输出层的连接权本文档来自技高网...

【技术保护点】
一种具有增量式学习能力的墨键开度预测方法，包括以下步骤：1)以实地密度即均匀且无空白地印刷出来的表面颜色密度符合国标印刷标准的印张为训练样本，针对四色CMYK，即青色Cyan、品红色Magenta、黄色Yellow和黑色Black，分别建立相应的Fuzzy？ART？BP混合神经网络；2)将印刷条件，即现场温度、现场湿度、印刷机转速以及20？30个墨区的网点面积率归一化处理后作为Fuzzy？ART？BP混合神经网络输入层输入数据；墨键开度归一化处理后作为Fuzzy？ART？BP混合神经网络输出层输入数据；输入层输入数据经过Fuzzy？ART自适应聚类，并保存类的权值至数据库，然后针对聚类后的某类数据建立BP神经网络，调节合适BP神经网络的隐含层节点数，设定为21？35；运用输入层、隐含层和输出层3层BP神经网络算法程序训练模块对训练样本有导师训练学习，当BP神经网络的收敛误差小于10e？4时，BP神经网络最终收敛，保存BP神经网络算法非线性映射的权值和阈值至数据库；3)对于未训练样本可以将印张的网点面积率和印刷条件，即现场温度、现场湿度和印刷机转速，输给Fuzzy？ART？BP混合神经网络算法的预测模块，Fuzzy？ART？BP混合神经网络算法程序利用已存储的权值和阈值对输入的现场温度、现场湿度、印刷机转速和网点面积率进行预测计算，从而预测出未训练样本的网点面积率对应的墨键开度；墨键开度预测值通过网络或者存储媒介传送到印刷机控制台，控制台接收数据并自动控制相应的墨键供墨到印刷机完成印刷。...

【技术特征摘要】
1.一种具有增量式学习能力的墨键开度预测方法，包括以下步骤 1)以实地密度即均匀且无空白地印刷出来的表面颜色密度符合国标印刷标准的印张为训练样本，针对四色CMYK,即青色Cyan、品红色Magenta、黄色Yellow和黑色Black,分别建立相应的Fuzzy ART-BP混合神经网络； 2)将印刷条件，即现场温度、现场湿度、印刷机转速以及20-30个墨区的网点面积率归一化处理后作为Fuzzy ART-BP混合神经网络输入层输入数据；墨键开度归一化处理后作为Fuzzy ART-BP混合神经网络输出层输入数据；输入层输入数据经过Fuzzy ART自适应聚类，并保存类的权值至数据库，然后针对聚类后的某类数据建立BP神经网络，调节合适BP神经网络的隐含层...

【专利技术属性】
技术研发人员：王民，王敏杰，昝涛，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：