[發明專利]一種具有增量式學習能力的墨鍵開度預測方法

有效

• 申請號: 201210164591.7
• 申請日: 2012-05-24
• 公開（公告）號: CN102779287A
• 公開（公告）日: 2012-11-14
• 發明（設計）人: 王民;王敏杰;昝濤
• 申請（專利權）人: 北京工業大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

技術領域

本發明屬于數字印刷領域，具體涉及一種具有增量式學習能力的墨鍵開度預測方法。?

背景技術

隨著印前領域中數字文件使用的增多，數字流程越來越多地應用于印刷工藝，數字流程在CTP（計算機直接制版）技術中的作用越來越重要。同時印刷企業面臨的短板、復雜和快速的印刷生產活越來越多，這樣也對印刷企業提出了更高的要求。對印刷企業來說，縮短印刷準備時間的一個有效辦法就是對油墨進行預先設置。預先估計墨槽最佳出墨量并進行墨鍵預置，可以節約很多印刷機的開機準備時間、降低生產成本、提高印刷質量和效率，還可以顯著降低紙張的浪費。?

印刷機控制油墨用量的方法實際上是把印版上可印刷的部分在垂直長邊的方向分成很多個狹長的區域-墨區或墨道，每個墨區的墨量是可以根據印版上此墨區面積內圖文部分所占的面積百分比-網點面積率的多少進行精確調節的，圖文部分的面積百分比越高，則需要的墨量越多。油墨預置就是在開始印刷前根據膠片、印版或其他載體得到各墨區內的網點面積率等信息，并建立網點面積率與墨鍵開度之間的函數關系，進而初步設定印刷機上各墨區的上墨量。油墨預置技術是數字化技術進入印刷生產環節的代表性技術，是數字化印刷工作流程中重要的關鍵技術之一，對印刷質量和印刷效率起著決定性的作用。?

傳統的基于BP神經網絡算法的油墨預置技術不具備對訓練樣本數據的增量學習能力（在線學習），而且泛化能力弱，對新樣本數據訓練學習時會破壞網絡已經記憶的模式，導致網絡的墨鍵開度預測結果不夠準確。為解決該問題本文使用Fuzzy?ART（模糊自適應共振神經網絡）和BP（Back??Propagation）神經網絡，將兩種神經網絡進行綜合應用形成一種具有增量式學習能力的Fuzzy?ART-BP混合神經網絡。然而，基于Fuzzy?ART-BP混合神經網絡算法的油墨預置技術可以有效地節省了印刷機開機的調整時間，減少開機準備的紙張、油墨浪費，同時降低了印刷操作人員的勞動強度，克服了印刷操作人員單憑經驗來調控墨量帶來的弊端和BP神經網絡對新樣本數據學習訓練時不能實現增量式學習的弊端，提高了油墨預置技術的預測精度。?

發明內容

本發明涉及一種具有增量式學習能力的墨鍵開度預測方法。國內印刷業為了進一步提高印刷質量和生產效率，一些企業相繼引進了國外各種油墨預置系統，在開機前預先調整印刷機的墨鍵，但油墨預置系統在實際應用中卻不盡人意，沒有考慮到墨鍵間相互影響、印刷條件的影響，同時不能對新樣本數據的學習訓練實現增量式學習，致使沒有達到預期的使用效果。?

本發明所述的方法是以實地密度（均勻且無空白地印刷出來的表面顏色密度）符合國標印刷標準的印張為訓練樣本，運用Fuzzy?ART-BP混合神經網絡對訓練樣本進行有導師訓練及對未訓練和訓練的樣本進行墨鍵開度預測，其中BP神經網絡選用3層（輸入層、隱含層和輸出層）。首先將客戶的原稿數字化，即得到完整的版面數據信息，然后通過RIP（光柵圖像處理器）光柵化處理后產生點陣信息，并將產生的點陣信息通過軟件轉化產生低分辨率的版面信息，即網點面積率。以印刷現場條件（包括現場溫度、現場濕度、印刷機轉速）與墨區對應的網點面積率作為Fuzzy?ART-BP混合神經網絡的輸入原始數據，并對輸入原始數據進行[0，1]歸一化后送至Fuzzy?ART-BP混合神經網絡的輸入層，以訓練樣本對應的墨鍵開度作為Fuzzy?ART-BP混合神經網絡的輸出層原始數據，同時也對輸出原始數據進行[0，1]歸一化處理后送至?Fuzzy?ART-BP混合神經網絡的輸出層，其中BP神經網絡的隱含層節點數設定在21-35，根據訓練結果進行最優調整，最終選取隱含層節點數23。?

調用Fuzzy?ART-BP算法程序對合格實際印張訓練學習，從而建立了印張圖文數字信息和印刷條件（現場溫度、現場濕度、印刷機轉速）與墨鍵開度的非線性映射關系，Fuzzy?ART神經網絡首先對印張圖文數字信息和印刷條件進行自適應聚類操作，針對分類后的數據進行BP神經網絡訓練學習，當BP神經網絡收斂誤差小于10e-4時，BP神經網絡最終收斂，保存非線性映射的權值和閾值，以及Fuzzy?ART神經網絡的權值至數據庫。如果當BP神經網絡的收斂誤差不小于10e-4時，繼續對訓練樣本對迭代計算，直至收斂誤差小于10e-4。用訓練好的Fuzzy?ART-BP混合神經網絡來預測未訓練樣本，墨鍵開度預測值通過網絡或者存儲媒介傳送到印刷機的實時數據庫中，進而由控制臺控制印刷機印刷。該方法可有效縮短開機準備時間，提高印刷效率和質量，實現對新樣本數據進行增量式的學習。?