[发明专利]基于BP神经网络的胶印半色调网点预测方法

权利要求书

1.基于BP神经网络的胶印半色调网点预测方法，其特征在于，具体操作过程包括如下步骤：

步骤1.采集印刷色块数据，包括四色网点面积率、31维光谱反射率数据以及L*a*b*值；

步骤2.选取部分色块数据的31维光谱反射率数据作为预测模型的训练输入数据，进行HDPM训练，对应的四色网点面积率作为训练输出数据；

步骤3.判断输出的四色网点面积率是否满足精度要求，如果不满足，则进行步骤4；如果满足，则建立基于BP神经网络的半色调网点预测模型；

步骤4.逐步对BP神经网络进行优化，优化完成后依次进行步骤2和步骤3。

2.如权利要求1所述的基于BP神经网络的胶印半色调网点预测方法，其特征在于，所述步骤1的具体过程如下：

确定采集色块数据的观察环境，将观察环境设置为2°视角、5000k光源，使用X-ritei1pro2测量纸张及四色套印标准色块，测量波长范围为400-700nm，间隔10nm，取其色块的光谱反射率与四色网点面积率以及L*a*b*值，网点面积率由10％-100％网点面积率的黄、品红、青、黑单色色块及不同网点面积率的双色、三色、四色套印色块组成。

3.如权利要求1所述的基于BP神经网络的胶印半色调网点预测方法，其特征在于，所述步骤2的具体过程如下：

将测量得到的色块数据依据基墨组成分组，选取全部纸张和单色墨色块，再均匀选取三分之一的多色叠印色块，即，31维光谱反射率数据，作为模型的训练数据；这些色块的网点面积率组合作为训练输出数据，训练数据通过非线性映射函数映射到高维特征空间，然后使用非线性激活函数对隐藏层和输出层进行转换用于预测输出数据。

4.如权利要求1所述的基于BP神经网络的胶印半色调网点预测方法，其特征在于，所述步骤3的具体过程如下：

首先，计算训练输出值与其目标值的均方误差MSE，如公式1所示，然后判断输出的四色网点面积率是否满足精度要求，均方误差小于5则满足要求：

其中i表示输入节点数，j表示输出节点数，带有(i，j)下标的t和s分别表示第i个输入样本下第j个输出样本的输出值和目标值；

然后，对于满足精度要求的数据，建立基于BP神经网络的半色调网点预测模型：

半色调网点预测模型的BP神经网络结构包含3层：输入层、隐含层及输出层，使用印刷目标色的31维光谱反射率作为输入值，对应输出值为印刷此目标色色块的四色网点面积率，训练参数包含迭代次数，学习速率，目标精度这几个部分，初始网络结构为单隐层，隐层节点数设定为7，训练算法设定为贝叶斯正则化算法。

5.如权利要求1所述的基于BP神经网络的胶印半色调网点预测方法，其特征在于，所述步骤4的具体过程如下：

步骤4.1训练样本的优化：若模型的预测精度较低，可按照色块组合适当增加训练样本，可改善模型的预测准确度；

步骤4.2隐含层数及隐层节点数的优化：单隐层的预测模型结构比较简单，预测精度较低，通过试凑法调整预测模型的隐含层数及隐层节点数，以改善模型的预测准确度；

步骤4.3初始权重及阈值的优化：对于不满足要求的数据，使用粒子群优化算法对预测模型的初始阈值及权重的选取做优化，首先定义适应度值的函数，通过设置个体数、输入层节点数、隐含层节点数，计算参数w1、w2、B1、B2，重新排列完成对网络权值的初始赋值；然后，HDPM输入数据及输出数据均为数组，输入节点为31，输出结果节点为4，迭代计算得到全局最佳适应度值，将得到的最优初始化阈值及权值赋予模型，继续训练；

步骤4.4激活函数的优化，将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数，提升模型的预测准确度；

步骤4.5防止过度拟合，在预测模型中加入“提前停止”的设定，防止网络和训练样本过度拟合、泛化预测能力变差。