小的数值，一般都是设定为0.0001-0.0000001,具体设定值要根据神经网络的训练结果判断，太大神经网络训练结果不理想，太小又无法收敛；
[0064]S34，计算各隐含层和输出层节点的输出；
[0065]S35，计算所述初级人工神经网络实际输出与期望输出的误差指标函数Ε;
[0066]S36，比较所述训练误差允许值ε和所述误差指标函数Ε，若Ε < ε，训练结束，输出训练结果。因为训练过程就是不断修正各权重值和阈值，使得在训练误差允许值范围内输入向量和输出向量建立起非线性关系，输出的训练结果就是得到最终的权重值和阈值。
[0067]S37，若Ε > ε，更新所述权重值和所述阈值，并进行训练次数判断；
[0068]S38，判断是否达到预设的训练次数，若达到训练次数，则停止训练；
[0069]S39，若未达到预设的训练次数，跳转至步骤S34继续进行训练。
[0070]在上述步骤S4中，具体步骤为:
[0071 ] S41，导入验证样本归一化数据；
[0072]S42，执行验证程序，得到所述初级人工神经网络模型的输出结果。在本步骤中，根据步骤S3中输出的训练结果作为初级人工神经网络最终的权重值和阈值，导入验证样本归一化数据得到输出结果。
[0073]S43，比较所述输出结果与真实值之间的验证误差。在本步骤中，导入验证样本归一化数据包含输入值和期望输出值，根据输入值和步骤S3中输出的训练结果得到输出结果，真实值即为期望输出值。
[0074]S44，判断所述验证误差是否符合预设期望精度；
[0075]若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型；
[0076]S45中，若所述验证结果不符合预设期望精度，则修正所述初级人工神经网络模型并跳转至步骤S3。
[0077]如图3所示，为本发明实施例提供的一种基于人工神经网络的最佳质量图像扫描系统，包括:
[0078]分析单元1，用于对图像的原始扫描参数进行分析，获取训练样本和验证样本；
[0079]处理单元2，与分析单元1相连接，用于通过插值得到所述训练样本和所述验证样本未知点的插值数据，分别将获取插值数据后的所述训练样本和所述验证样本进行归一化处理，获取训练样本归一化数据和验证样本归一化数据；
[0080]训练单元3，与处理单元2相连接，用于利用神经网络工具，根据所述训练样本归一化数据建立初级人工神经网络模型并进行训练；
[0081]验证单元4，与训练单元3相连接，用于根据所述验证样本归一化数据对所述初级人工神经网络模型验证，得到最终的人工神经网络模型；
[0082]仿真预测单元5，与验证单元4相连接，用于根据所述人工神经网络模型进行仿真预测。
[0083]进一步地，训练单元3具体用于:
[0084]首先，导入训练样本归一化数据，获取初级人工神经网络的输入向量和期望输出向量;
[0085]然后，设置训练误差允许值ε，初始化各权重值和阈值；
[0086]接着，计算各隐含层和输出层节点的输出；
[0087]再次，计算所述人工神经网络实际输出与期望输出的误差指标函数Ε，比较所述误差指标函数Ε与所述训练误差允许值ε的大小；
[0088]再次，若Ε彡ε，训练结束，输出训练结果；
[0089]再次，若Ε > ε，更新所述权重值和所述阈值并判断是否达到预设的训练次数，若达到训练次数，则停止训练；
[0090]最后，若未达到预设的训练次数，则重新计算各隐含层和输出层节点继续进行训练。
[0091]进一步地，验证单元4具体用于:
[0092]首先，导入验证样本归一化数据；
[0093]然后，执行验证程序，得到所述初级人工神经网络模型的输出结果；
[0094]接着，比较所述输出结果与真实值之间的验证误差；
[0095]最后，判断所述验证误差是否符合预设期望精度；
[0096]若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型；
[0097]若所述验证结果不符合预设期望精度，则修正所述初级人工神经网络模型并跳转至所述训练单元继续训练。
[0098]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【主权项】
1.一种基于人工神经网络的最佳质量图像扫描方法，其特征在于，所述最佳质量图像扫描方法包括以下步骤: 步骤A，对图像的原始扫描参数进行分析，获取训练样本和验证样本； 步骤B，通过插值得到所述训练样本和所述验证样本未知点的插值数据，分别将获取插值数据后的所述训练样本和所述验证样本进行归一化处理，获取训练样本归一化数据和验证样本归一化数据； 步骤C，利用神经网络工具，根据所述训练样本归一化数据建立初级人工神经网络模型并进行训练； 步骤D，根据所述验证样本归一化数据对所述初级人工神经网络模型验证，得到最终的人工神经网络模型； 步骤E，根据所述人工神经网络模型进行仿真预测。2.如权利要求1所述的最佳质量图像扫描方法，其特征在于，所述步骤C包括: 步骤C1，导入训练样本归一化数据，获取初级人工神经网络的输入向量和期望输出向量; 步骤C2，设置训练误差允许值ε，初始化各权重值和阈值； 步骤C3，计算各隐含层和输出层节点的输出； 步骤C4，计算所述初级人工神经网络实际输出与期望输出的误差指标函数Ε，比较所述误差指标函数Ε与所述训练误差允许值ε的大小； 步骤C5，若Ε < ε，训练结束，输出训练结果； 步骤C6，gE> ε，更新所述权重值和所述阈值并判断是否达到预设的训练次数，若达到训练次数，则停止训练； 步骤C7，若未达到预设的训练次数，跳转至步骤C3继续进行训练。3.如权利要求1所述的最佳质量图像扫描方法，其特征在于，所述步骤D具体包括: 步骤D1，导入验证样本归一化数据； 步骤D2，执行验证程序，得到所述初级人工神经网络模型的输出结果； 步骤D3，比较所述输出结果与真实值之间的验证误差； 步骤D4，判断所述验证误差是否符合预设期望精度； 若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型； 若所述验证结果不符合预设期望精度，则修正所述初级人工神经网络模型并跳转至步骤C。4.一种基于人工神经网络的最佳质量图像扫描系统，其特征在于，所述最佳质量图像扫描系统包括: 分析单元，用于对图像的原始扫描参数进行分析，获取训练样本和验证样本； 处理单元，与所述分析单元相连接，用于通过插值得到所述训练样本和所述验证样本未知点的插值数据，分别将获取插值数据后的所述训练样本和所述验证样本进行归一化处理，获取训练样本归一化数据和验证样本归一化数据； 训练单元，与所述处理单元相连接，用于利用神经网络工具，根据所述训练样本归一化数据建立初级人工神经网络模型并进行训练； 验证单元，与所述训练单元相连接，用于根据所述验证样本归一化数据对所述初级人工神经网络模型验证，得到最终的人工神经网络模型； 仿真预测单元，与所述验证单元相连接，用于根据所述人工神经网络模型进行仿真预测。5.如权利要求4所述的最佳质量图像扫描系统，其特征在于，所述训练单元具体用于: 首先，导入训练样本归一化数据，获取初级人工神经网络的输入向量和期望输出向量; 然后，设置训练误差允许值ε，初始化各权重值和阈值； 接着，计算各隐含层和输出层节点的输出； 再次，计算所述人工神经网络实际输出与期望输出的误差指标函数Ε，比较所述误差指标函数Ε与所述训练误差允许值ε的大小； 再次，若Ε < ε，训练结束，输出训练结果； 再次，若Ε> ε，更新所述权重值和所述阈值并判断是否达到预设的训练次数，若达到训练次数，则停止训练； 最后，若未达到预设的训练次数，则重新计算各隐含层和输出层节点继续进行训练。6.如权利要求1所述的最佳质量图像扫描方法，其特征在于，所述验证单元具体用于: 首先，导入验证样本归一化数据； 然后，执行验证程序，得到所述初级人工神经网络模型的输出结果； 接着，比较所述输出结果与真实值之间的验证误差； 最后，判断所述验证误差是否符合预设期望精度； 若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型； 若所述验证结果不符合预设期望精度，则修正所述初级人工神经网络模型并跳转至所述训练单元继续训练。
【专利摘要】本发明适用于图像处理技术领域，提供了一种基于人工神经网络的最佳质量图像扫描方法，包括：A，对原始扫描参数进行分析，获取训练样本和验证样本；B，通过插值得到插值数据并进行处理获取训练样本归一化数据和验证样本归一化数据；C，利用神经网络工具，根据所述训练样本归一化数据建立初级人工神经网络模型并进行训练；D，根据所述验证样本归一化数据对所述初级人工神经网络模型验证，得到最终的人工神经网络模型；步骤E，根据所述人工神经网络模型进行仿真预测。本发明将正交实验获得的样本数据进行分类，并据此建立人工神经网络模型，通过人工神经网络模型对扫描参数进行预测和优化，缩短优化扫描参数时间，提高图像扫描效率。
【IPC分类】G06N3/08
【公开号】CN105354611
【申请号】CN201510642404
【发明人】程涛
【申请人】程涛
【公开日】2016年2月24日
【申请日】2015年10月8日