[发明专利]一种具有增量式学习能力的墨键开度预测方法

说明书

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（Back  Propagation）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Fuzzy ART-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系统，在开机前预先调整印刷机的墨键，但油墨预置系统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Fuzzy ART-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。