針對(duì)紋樣數(shù)字化改造的瓶頸,將紋樣視為位置和顏色之間的關(guān)系函數(shù),使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),利用網(wǎng)絡(luò)輸出重構(gòu)紋樣,通過在網(wǎng)絡(luò)輸入輸出層上設(shè)置干擾函數(shù)來進(jìn)行紋樣改造和創(chuàng)新。采用2個(gè)輸入點(diǎn)、3個(gè)輸出點(diǎn)和若干隱含層的反向回饋網(wǎng)絡(luò)結(jié)構(gòu),通過調(diào)節(jié)隱含層的規(guī)模控制網(wǎng)絡(luò)容量以適應(yīng)不同的紋樣關(guān)系函數(shù);從紋樣像素構(gòu)造輸入樣本集,通過反復(fù)訓(xùn)練降低誤差,將網(wǎng)絡(luò)的顏色輸出置于對(duì)應(yīng)位置上完成紋樣重構(gòu);通過在網(wǎng)絡(luò)輸入層或輸出層上設(shè)置干擾函數(shù),對(duì)輸入位置數(shù)據(jù)或輸出顏色數(shù)據(jù)進(jìn)行調(diào)制,實(shí)現(xiàn)了對(duì)紋樣造型和顏色分布的改造;總結(jié)了條紋化、扭曲化、沙化和疊印4種紋樣改造和創(chuàng)新效果,為采用智能方法進(jìn)行紋樣的數(shù)字化改造創(chuàng)新提供了新途徑。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

如果能掌握紋樣的關(guān)系函數(shù)F,就可以在各種條件下重建紋樣。關(guān)系函數(shù)F通常是非常復(fù)雜的,不能用簡(jiǎn)單的數(shù)學(xué)公式描述,但可以通過人工神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)和逼近。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖1。如圖1所示,該網(wǎng)絡(luò)包括一個(gè)輸入層、一個(gè)輸出層和若干隱含層。輸入層包含2個(gè)神經(jīng)元,分別接受x、y坐標(biāo)值輸入;輸出層包....

圖2 紋樣圖像構(gòu)成訓(xùn)練樣本集

紋樣圖像中的每個(gè)像素對(duì)應(yīng)一個(gè)輸入樣本,該樣本即為對(duì)應(yīng)像素的坐標(biāo)值,其樣本標(biāo)簽為對(duì)應(yīng)像素的顏色值,如此1個(gè)紋樣構(gòu)成1個(gè)訓(xùn)練樣本集。紋樣圖像構(gòu)成訓(xùn)練樣本集見圖2。使用該樣本集反復(fù)訓(xùn)練網(wǎng)絡(luò),采用反向回饋方法使網(wǎng)絡(luò)輸出與樣本標(biāo)簽之間的誤差不斷減小,最終落入可接受的范圍內(nèi),即完成了紋樣學(xué)習(xí)....

圖3 紋樣學(xué)習(xí)過程中的誤差變化

使用該樣本集反復(fù)訓(xùn)練網(wǎng)絡(luò),采用反向回饋方法使網(wǎng)絡(luò)輸出與樣本標(biāo)簽之間的誤差不斷減小,最終落入可接受的范圍內(nèi),即完成了紋樣學(xué)習(xí)。紋樣學(xué)習(xí)過程中的誤差變化見圖3。由圖3可以看出,隨著訓(xùn)練次數(shù)的增加,總體誤差不斷減小,逼近0。當(dāng)誤差降低到一定程度,即可認(rèn)為網(wǎng)絡(luò)完整學(xué)習(xí)了紋樣(即關(guān)系函數(shù)F....

圖4 紋樣重構(gòu)

由圖3可以看出,隨著訓(xùn)練次數(shù)的增加,總體誤差不斷減小,逼近0。當(dāng)誤差降低到一定程度,即可認(rèn)為網(wǎng)絡(luò)完整學(xué)習(xí)了紋樣(即關(guān)系函數(shù)F)。一對(duì)坐標(biāo)輸入,就會(huì)得到該坐標(biāo)上的顏色輸出。紋樣重構(gòu)見圖4。將這些顏色輸出重新置于對(duì)應(yīng)的坐標(biāo)上,便完成了紋樣重構(gòu)。一般地,訓(xùn)練次數(shù)越多,網(wǎng)絡(luò)輸出誤差越小,....

本文編號(hào)：4034014