CN102779287B - 一种具有增量式学习能力的墨键开度预测方法 - Google Patents

Abstract

本发明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。

Description

一种具有增量式学习能力的墨键开度预测方法

技术领域

本发明属于数字印刷领域，具体涉及一种具有增量式学习能力的墨键开度预测方法。

背景技术

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（BackPropagation）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FuzzyART-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。

发明内容

本发明涉及一种具有增量式学习能力的墨键开度预测方法。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***，在开机前预先调整印刷机的墨键，但油墨预置***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。

本发明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[0，1]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[0，1]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，Fuzzy ART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10e-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10e-4时，继续对训练样本对迭代计算，直至收敛误差小于10e-4。用训练好的FuzzyART-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***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，Fuzzy ART-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：

（1）参数介绍

Fuzzy ART-BP混合神经网络的输入向量P=(a₁,a₂...a_n)^T，20≤n≤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,...s_q)^T，q=n-3；即墨键开度归一化的数据；

隐含层单元输入向量S=(s₁,s₂,...s_p)^T，p取21-35；输出向量B=(b₁,b₂,...b_p)^T， p取21-35。

输出层单元输入向量L=（l₁,l₂,...l_q）^T，q=n-3；实际输出向量C=(c₁,c₂,c_q)^T，q=n-3。

输入层至隐含层的连接权W_i1j1， i1=1,2,...,p,j1=1,2,...,n。

隐含层至输出层的连接权V_ti1， i1=1,2,...,p,t=1,2,...,q。

隐含层各单元的输出阈值θ_i1， ${\mathrm{\θ}}_{i1}=\left[\begin{array}{c}{\mathrm{\θ}}_1\\ {\mathrm{\θ}}_2\\ \·\\ \·\\ \·\\ {\mathrm{\θ}}_{i1}\end{array}\right],$ i1=1,2,...,p。

输出层各单元的输出阈值y_t， $y_t=\left[\begin{array}{c}{y}_1\\ y_2\\ \·\\ \·\\ \·\\ y_t\end{array}\right],$ t=1,2,...,q。

α为BP神经网络的动量因子，0＜α＜1。

β为BP神经网络的学习速率，0＜β＜1。

（2）Fuzzy ART-BP混合神经网络具体学习过程

1）选取一组输入、实际输出的样本对P=(a₁,a₂,...a_n)^T、T=（s₁,s₂,...s_q）^T，并对样本对归一化处理，然后分别提供给Fuzzy ART-BP混合神经网络的输入层和输出层。

2）对Fuzzy ART-BP混合神经网络的输入层的输入向量P=(a₁,a₂,...a_n)^T进行补码操作作为Fuzzy ART神经网络的输入向量I，这样可有效地抑制Fuzzy ART神经网络类别的增生，具体操作如式（1-1）所示。

I=(a₁,a₂,a₃,...a_n,1-a₁,1-a₂,1-a₃,...,1-a_n)    (1-1)

2）然后通过Fuzzy ART 神经网络的“胜者为王”的原则对输入向量I进行分类。

3）就输入向量I所属类别编号J建立相应类别编号的BP神经网络，并对类别J的BP神经网络初始化，即给每个连接权值W_i1j1和V_ti1、阈值θ_i1与y_t赋予（-1,1）内的随机数，最后设定BP神经网络算法的收敛误差ε；

4）将与补码操作后得到的输入向量I相对应的原始输入向量P和其期望输出的样本对P=(a₁,a₂,...a_n)^T、T=（s₁,s₂,...s_q）^T，归一化后输入到类别J的BP神经网络。

5）用输入层样本数据P=(a₁,a₂,...a_n)^T、连接权值W_i1j1和阈值θ_i1计算隐含层各单元的输入s_i1，然后用s_i1通过传递函数计算隐含层各单元的输出b_i1，传递函数选用sigmoid函数，其形式为：，s_i1计算公式如式（1-2）所示，b_i1计算公式如式（1-3）所示。

$s_{i1}=\underset{j1=1}{\overset{n}{\mathrm{\Σ}}}(w_{i1j1}{a}_{j1}-{\mathrm{\θ}}_{i1})---(1-2)$

$b_{i1}=\left[\begin{array}{c}f\left(s_1\right)\\ f\left(s_2\right)\\ \·\\ \·\\ \·\\ f\left(s_{i1}\right)\end{array}\right]---(1-3)$

6）利用隐含层的输出b_i1、连接权V_ti1阈值y_t，来计算输出层各个单元的输出l_t，如式（1-4）所示，然后利用传递函数计算输出层各个单元的响应c_t，传递函数选用sigmoid函数，其形式为：，如式（1-5）所示。

$l_t=\underset{i1=1}{\overset{p}{\mathrm{\Σ}}}(V_{\mathrm{ti}1}{b}_{i1}-y_t)---(1-4)$

$c_t=\left[\begin{array}{c}f\left(l_1\right)\\ f\left(l_2\right)\\ \·\\ \·\\ \·\\ f\left(l_t\right)\end{array}\right]---(1-5)$

7）利用Fuzzy ART-BP混合神经网络的实际输出C=(c₁,c₂,...c_q)^T和网络的期望输出T=(s₁,s₂,...s_q)^T，计算误差E，如式(1-6)所示，如果E小于设定的收敛误差ε，则Fuzzy ART-BP混合神经网络收敛，结束迭代并保存权值W_i1j1、V_ti1和阈值θ_i1、y_t；否则继续步骤8），修改权值和阈值矩阵后继续判断误差E是否小于设定的收敛误差。

$E=\frac{1}{2}\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{(s_t-c_t)}^2---(1-6)$

8）利用Fuzzy ART-BP混合神经网络的实际输出C=(c₁,c₂,...c_q)^T，网络的期望输出T=(s₁,s₂,...s_q)^T，计算输出层各单元的一般化误差d_t，如式（1-7）所示。

d_t=(s_t-c_t)·c_t·(1-c_t)   (1-7)

9）利用Fuzzy ART-BP混合神经网络的BP网络的输出层各单元的一般化误差d_t、连接权V_ti1和隐含层的输出b_i1计算隐含层各单元的一般化误差e_i1，如式（1-8）所示。

$e_{i1}=[\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{d}_t\·V_{\mathrm{ti}1}]\·b_{i1}\·(1-b_{i1})---(1-8)$

10）利用输出层各单元的一般化误差d_t与隐含层各单元的输出b_i1来修正连接权V_ti1，如式（1-9）所示，阈值y_t修改如式（1-10）所示。

$V_{\mathrm{ti}1}^{\′}={\mathrm{\αV}}_{\mathrm{ti}1}+{\mathrm{\βd}}_t{b}_{i1}---(1-9)$

$y_t^{\′}=y_t+{\mathrm{\βd}}_t---(1-10)$

11）利用隐含层各单元的一般化误差e_i1，输入层各单元的输入P=(a₁,a₂,...a_n)来修正连接权值W_i1j1，如式（1-11）所示，阈值θ_i1修改如式（1-12）所示。

$w_{i1j1}^{\′}={\mathrm{\αw}}_{i1j1}+{\mathrm{\βe}}_{i1}{a}_{j1}---(1-11)$

${\mathrm{\θ}}_{i1}^{\′}={\mathrm{\θ}}_{i1}+{\mathrm{\βe}}_{i1}---(1-12)$

12）用输入层样本数据P=(a₁,a₂,...a_n)^T、连接权值和阈值计算隐含层各单元的输入，如式（1-13），然后用通过传递函数计算隐含层各单元的输出，如式（1-14），传递函数选用sigmoid函数，其形式为：

$s_{i1}^{\′}=\underset{j1=1}{\overset{n}{\mathrm{\Σ}}}(w_{i1j1}^{\′}{a}_{j1}-{\mathrm{\θ}}_{i1}^{\′})---(1-13)$

$b_{i1}^{\′}=\left[\begin{array}{c}f\left(s_1^{\′}\right)\\ f\left(s_2^{\′}\right)\\ \·\\ \·\\ \·\\ f\left(s_{i1}^{\′}\right)\end{array}\right]---(1-14)$

13）利用隐含层的输出、连接权阈值。计算输出层各单元的输出，如式（1-15），然后利用传递函数计算输出层各单元的响应，传递函数选用sigmoid函数，其形式为：如式（1-16）。

$l_t^{\′}=\underset{i1=1}{\overset{p}{\mathrm{\Σ}}}(V_{\mathrm{ti}1}^{\′}{b}_{i1}^{\′}-y_t^{\′})---(1-15)$

$c_t^{\′}=\left[\begin{array}{c}f\left(l_1^{\′}\right)\\ f\left(l_2^{\′}\right)\\ \·\\ \·\\ \·\\ f\left(l_t^{\′}\right)\end{array}\right]---(1-16)$

14）利用网络的实际输出，网络的期望输出T=(s₁,s₂,...s_q)^T，计算目标函数（误差）E′，如式（1-17），如果E′小于设定的收敛误差ε，则网络收敛，结束迭代并保存权值和阈值；否则返回步骤8），修改权值和阈值矩阵，继续迭代计算。

$E^{\′}=\frac{1}{2}\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{(s_t-c_t^{\′})}^2---(1-17)$

15）选取下一个训练样本对提供给Fuzzy ART-BP混合神经网络，继续步骤1）-15），直到所有的训练样本对训练完毕。

上述过程可用图（2）Fuzzy ART-BP混合神经网络的学习训练流程图表示。

附图说明

图1油墨预置技术示意图。

图2Fuzzy ART-BP混合神经网络的学习训练流程图。

图3墨键开度预测中青色预测结果图。

图4墨键开度验证中青色预测结果图。

图5训练100组数据的网络相应各个墨区的网络预测差值的直观表示图。图6训练150组数据的网络相应各个墨区的网络预测差值的直观表示图。

具体实施方式

首先将训练样本原稿数字化，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版面信息-网点面积率。印刷现场的相对湿度为30%，印刷机转速是4000张/小时，温度为25℃，由于采集的各数据单位不一致，为了加快训练网络的收敛性，因而须对数据进行[0，1]归一化处理，对上面三个条件做归一化处理分别为：0.3，0.4，0.25。所用的墨斗满格是100，进行归一化处理时候用实际墨键开度除以100即可，网点面积率的值在[0-100%]之间，也不用归一化处理直接取小数值。试验现场温度、试验现场湿度、印刷机转速是影响墨键开度的主要因素，相邻墨键间也会有相互影响，所以不能单一的以某一点的网点面积率作为BP神经网络的输入，故而确定输入层的神经元个数为23个，包括现场温度、现场湿度、印刷机转速和20个墨区的网点面积率；输出层节点数的确定：输出层节点依次为20个墨区网点面积率对应的墨键开度；隐含层节点数设定在23。学习速率β=0.4，动量因子α=0.9，期望的误差ε=10e-4；Fuzzy ART神经网络的学习速率η=0.15，Fuzzy ART神经网络的警戒阈值ρ=0.95。

Fuzzy ART-BP混合神经网络算法与BP神经网络算法有着明显的优势就是能够对新样本数据进行增量式学习，下面针对此功能进行预测精度的测试。由于Fuzzy ART-BP混合神经网络算法对更多的数据有很强的分析能力，其预测结果和BP神经网络预测结果有显著提高。因此，在现有的数据基础上利用蒙特卡洛模拟仿真出更多的数据，提供给Fuzzy ART-BP混合神经网络进行训练学习。其中青色现有的部分数据归一化处理后如下表所示：

网络输入端数据：

网络输出端数据：

在相同的印刷环境下，即印刷机转速、温度和空气湿度相同情况下，同一张印张相同的网点面积率对应的四色（CMYK是4种印刷油墨名称的首字母：青色Cyan、洋红色Magenta、黄色Yellow、K取的是black最后一个字母。）的墨键开度也不相同，所以要对现有的数据和仿真数据依据四色分别建立神经网络，并进行各自神经网络的训练学习和预测。

采用从小容量到大容量训练样本过渡的训练方法对基于Fuzzy ART-BP混合神经网络的油墨预置技术进行网络有导师学习，也就是按着发明内容中Fuzzy ART-BP混合神经网络算法的详细步骤进行有导师训练学习，验证其与BP神经网络的油墨预置技术的优越性。首先选取100组样本对数据分别对基于BP神经网络油墨预置技术和基于Fuzzy ART-BP混合神经网络油墨预置技术进行网络学习，待其网络的收敛误差达到设定的收敛误差ε=10e-4后保存各自网络的权值和阈值等；然后从样本对数据中任取一组数据输入到已经训练好的两种油墨预置***，进行墨键开度预测，其中青色预测结果如图3所示。最后，再次选取其他50组样本对数据对两个神经网络的油墨预置技术进行学习，取同一组数据再次验证网络的预测能力，青色预测效果如图4所示。

为了更加直观看出Fuzzy ART-BP神经网络算法和BP神经网络算法的预测精度，本文将实际印品印刷合格时的墨键开度的真实值与两种神经网络预测值相减得到的差值称为网络预测差值，图5所示即为训练100组数据的网络相应各个墨区的网络预测差值的直观表示。图6所示即为训练150组数据的网络相应各个墨区的网络预测差值的直观表示。

从图3到图6可以看出，基于Fuzzy ART-BP混合神经网络的油墨预置技术的预测效果是非常可观的，预测差值基本上都控制在±2%左右。随着训练样本数据量增加，BP神经网络的预测差值变化范围加大，部分已经达到±3%，说明新学习的样本已经破坏了网络已经记忆的模式，不具备增量式学习的能力，致使预测结果误差有所加大。与BP神经网络相比，Fuzzy ART-BP混合神经网络能够针对输入数据进行自适应分类学习，然后就分类后的模式进行BP神经网络学习，使得网络对训练模式更加有针对性，尽可能地减少对新模式学习后破坏网络已记忆模式程度，预测结果基本上还控制在±2%左右，提高了网络预测准确度，使网络具备了增量式学习的能力。

Claims (1)

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。