吕海清,张秉森

 (青岛大学信息工程学院,山东青岛266071)

 摘要:为了提高计算机配色的效率,提出了一种基于粒子群优化算法(Particle SwarmOptimization algorithm)的 RBFNN(radial base function neural network)解决织物染色配色问题的模型。该模型容易实现,没有过多参数需要 调整,并且提高了模型的收敛速度和精确度。仿真结果表明,用PSO算法优化的RBF神经网络解决计算机织物染色配色问题是一种较好的方法。
    关键词:织物染色;配色; RBFNN;粒子群优化算法
    中图分类号: TP183文献标识码: A
    文章编号:1006-9798(2009)03-0010-03
    近 年来随着计算机技术的迅速发展,计算机配色技术已经逐渐应用到织物染色配色领域中。由于神经网络是解决非线性问题的极好模型,而计算机配色中的颜色空间正 是一个非线性空间,因此,已有人将神经网络应用到计算机配色技术中[1]。针对基于神经网络的计算机配色中存在的一些问题,本文提出了基于PSO算法的 RBF神经网络解决织物染色配色问题的模型,并通过仿真对这个模型进行了验证。
    1·RBF神经网络
    多层前向BP网络和 RBF网络是两种应用广泛的静态网络[2],其中RBF神经网络是一种特殊的三层前向网络,它具有非线性可分的模式空间映射到线性可分状态空间的特性,适 合于多变量函数逼近,理论上能够以任意精确度逼近任意连续函数,被广泛应用于模式识别,函数逼近,信号处理等方面。RBF网络结构包括输入层、隐层和输出 层。输入层只传递输入信号到隐层;隐层由一组径向基函数构成,与每个隐层节点相关的参数向量为径向基函数的中心和宽度;而输出层节点通常是简单的线性函 数。RBF网络的基函数常选用高斯函数,其表达式为：
    
    式中,范数‖·‖通常采用欧几里德范数;cij是径向基函数的中心;σi是径向基函数的宽度;xj是输入。一般来说,RBF网络的学习过程可分为两个阶段:一是确定函数的参数,通常采用K-均值聚类方法;二是权值w的学习,采用监督学习方法。 
    2·粒子群优化(PSO)算法
    粒 子群优化(Particle Swarm Optimization-PSO)算法是近年来发展起来的一种新的进化算法。它和遗传算法相似,但是遗传算法 的编程实现比较复杂,需要先对问题进行编码,找到最优解后还要对问题进行解码,另外3个基本算子:选择、交叉和变异实现也有许多参数,如交叉率和变异率, 这些参数的选择大部分是依靠经验,并且这些参数的选择严重影响解的品质。1995年Eberhart博士和kennedy博士提出了一种新的进化算法:粒 子群优化(Particle Swarm Optimization-PSO)算法[3]。由于这种算法具有实现容易、精度高、收敛快等优点,从而引起了 学术界的重视,并且在解决实际问题中展示了其优越性。粒子群优化算法是对鸟群觅食过程的迁徙和聚集的模拟,通过追随当前搜索到的最优值来寻找全局最优。它 与遗传算法不同的是没有选择、交叉、变异过程,采用速度-位置搜索模型。粒子群优化随机初始化为一群粒子,每个粒子代表空间的一个候选解,解的优劣程度由 适应度来决定。在每一次迭代中,粒子通过跟踪两个“极值”来更新自己的位置和速度,更新公式为：

    此算法核心思想包括:
    1)粒子以随机方式在整个问题空间中流动并且可以对自己所处的环境进行评价;
    2)每个粒子均可以记忆自己到过的最好位置和感知邻近粒子已到达的最好位置;
    3)在改变速度的同时考虑自己到过的最好位置和邻近粒子已到达的最好位置。
    3·基于粒子群算法的RBF网络的配色模型建立
    在 织物染色配色过程中,不同的染料选择吸收的光谱不同,导致织物形成各种颜色。颜色的配置可有3种基本染料通过不同的比例混合求得。颜色的匹配将涉及到颜色 空间的概念,不同行业的配色宜采用不同的颜色空间。目前有多种表示颜色的空间体系,每种表色体系的数值可通过公式根据反射光谱的三刺激值转换而来[4]。
    CIELab是一个均匀颜色空间,其中色彩由3个数值L,a和b代表。第一个数值L,定义了色彩的亮暗程度,而a和b则是关于颜色的信息。Lab颜色与设备无关,无论使用何种设备(如显示器、打印机、扫描仪)创建或输出图像,这种模型都能生成一致的颜色。
    研 究表明,织物所反射出来光的颜色L,a,b值与染料的浓度C有关系,即Lab值=f(C)[5]。基于此推理,构造基于粒子群优化算法的径向基神经网络织 物染色配色模型,使用RBF神经网络来模仿f函数,并将此函数写入粒子群优化算法的适应度函数中,径向基神经网络的输入样本为染料浓度,输出样本为颜色的 L,a,b值。基于粒子群优化算法的RBF神经网络解决染色配色问题的粒子群算法模型如图1所示, RBF神经网络模型如图2所示。

    4·试验过程及数据分析
    以 织物三拼色配色为例,使用中色系染料极品中三元:活性红3BS,活性黄3RS和活性蓝FBN来配色。首先扫描制作好的小样到计算机中,使用软件来获取小样 的Lab值。这些Lab值就为RBF神经网络的输入数据,制作这些小样所需的染料浓度就为RBF的输出,如表1所示。
              
    根据表1的数据采用粒子群优化算法[6]优化神经网络的权值,粒子数为15;粒子的长度为3,学习因子C1=C2=2。在matlab环境下编程实现粒子群优化算法后将输出的数据解码后应用于RBF网络。达到收敛条件后,对网络进行测试,测试结果如表2所示。
 
    由 表2对样本浓度值和仿真浓度值进行比较,可以看出仿真的误差值较小,这个误差值已达到了较好的水平。经过对仿真结果进行再次打样并与原样本比较,颜色误差 已在允许的范围内,达到了预期的效果。将基于粒子群优化算法的RBF神经网络的织物染色配色模型与基于遗传算法(GA)的RBF神经网络的织物染色配色模 型进行比较,结果如表3所示。
    由表3可知,基于RBF神经网络的粒子群优化算法用于织物染色配色产生的误差较小。所以,PSO算法是一种较好的神经网络算法。
    5·结论
    通过对基于RBF神经网络的PSO算法的织物染色配色模型的研究,表明粒子群优化算法是一种很有潜力的神经网络算法。此方法编程容易,参数调整简单,速度较快,应用到织物染色配色领域可取得较好的效果。
参考文献:
[1]张秉森,刘晓洁.神经网络在计算机配色中的应用[J].染料, 2005, 31(18): 29-32.
[2]Simon Haykin.神经网络原理[M].北京:机械工业出版社, 2004: 42-56.
[3]蔡兵,王培元,胡荣玉.RBF网络参数确定方法的研究[J].襄樊学院学报, 2008(2): 69-70.
[4]徐海松.颜色信息工程[M].浙江:浙江大学出版社, 2005: 1-25.
[5]史爱松,张秉森.基于RBF神经网络的遗传算法在织物染色配色中的应用研究[J].染料与染色, 2006, 43(3): 25-28.
[6]赵会洋,王爽,杨志鹏.粒子群优化算法研究综述[J].福建电脑, 2007(3): 40-41.