利用人工神经网络进行纹样重构与创新

发布时间：2025-02-13 19:36

　　 针对纹样数字化改造的瓶颈,将纹样视为位置和颜色之间的关系函数,使用人工神经网络进行学习,利用网络输出重构纹样,通过在网络输入输出层上设置干扰函数来进行纹样改造和创新。采用2个输入点、3个输出点和若干隐含层的反向回馈网络结构,通过调节隐含层的规模控制网络容量以适应不同的纹样关系函数;从纹样像素构造输入样本集,通过反复训练降低误差,将网络的颜色输出置于对应位置上完成纹样重构;通过在网络输入层或输出层上设置干扰函数,对输入位置数据或输出颜色数据进行调制,实现了对纹样造型和颜色分布的改造;总结了条纹化、扭曲化、沙化和叠印4种纹样改造和创新效果,为采用智能方法进行纹样的数字化改造创新提供了新途径。

【文章页数】：7 页

【部分图文】：

图1 神经网络结构

如果能掌握纹样的关系函数F,就可以在各种条件下重建纹样。关系函数F通常是非常复杂的,不能用简单的数学公式描述,但可以通过人工神经网络来学习和逼近。神经网络结构见图1。如图1所示,该网络包括一个输入层、一个输出层和若干隐含层。输入层包含2个神经元,分别接受x、y坐标值输入;输出层包....

图2 纹样图像构成训练样本集

纹样图像中的每个像素对应一个输入样本,该样本即为对应像素的坐标值,其样本标签为对应像素的颜色值,如此1个纹样构成1个训练样本集。纹样图像构成训练样本集见图2。使用该样本集反复训练网络,采用反向回馈方法使网络输出与样本标签之间的误差不断减小,最终落入可接受的范围内,即完成了纹样学习....

图3 纹样学习过程中的误差变化

使用该样本集反复训练网络,采用反向回馈方法使网络输出与样本标签之间的误差不断减小,最终落入可接受的范围内,即完成了纹样学习。纹样学习过程中的误差变化见图3。由图3可以看出,随着训练次数的增加,总体误差不断减小,逼近0。当误差降低到一定程度,即可认为网络完整学习了纹样(即关系函数F....

图4 纹样重构

由图3可以看出,随着训练次数的增加,总体误差不断减小,逼近0。当误差降低到一定程度,即可认为网络完整学习了纹样(即关系函数F)。一对坐标输入,就会得到该坐标上的颜色输出。纹样重构见图4。将这些颜色输出重新置于对应的坐标上,便完成了纹样重构。一般地,训练次数越多,网络输出误差越小,....

本文编号：4034014