In this paper, a mind evolutionary

In this paper, a mind evolutionary computation (MEC)-back propagation (BP)-Adaboost algorithm (Adaboost) neural network-based color correction algorithm for color image acquisition equipments is proposed. MEC-BP-Adaboost network-based color correction algorithm is utilized in training process to establish the color mapping model, with the captures samples of the color-targets under the color image acquisition equipments takenas the input data and the standard color data as output. The MEC-BP-Adaboost can effectively avoid BP neural network being entrapped in localextrema. Compared with the conventional BP,the MEC-BP-Adaboost not only can further improve the correction accuracy, but also can achieve relevant results after every training.Numerical experimental results demonstrate that, compared with the polynomial regression methods, the conventional BP neural network methods and genetic algorithm(GA)-BP neural network methods, the proposed algorithm could achieve improved color correction quality

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ มีเสนอการคิดคำนวณเชิงวิวัฒนาการ (MEC) -หลังเผยแพร่ (BP) - Adaboost อัลกอริทึม (Adaboost) สีตามเครือข่ายประสาทแก้ไขอัลกอริทึมสำหรับสีรูปซื้ออุปกรณ์ อัลกอริทึมการแก้ไขสีตามเครือข่าย MEC-BP-Adaboost ใช้ประโยชน์ในการฝึกอบรมการสร้างแผนที่สีแบบ มีตัวอย่างจับเป้าหมายสีภายใต้สีรูปซื้ออุปกรณ์ takenas ของข้อมูลเข้าและข้อมูลสีมาตรฐานเป็นผลผลิต MEC-BP-Adaboost อย่างมีประสิทธิภาพสามารถหลีกเลี่ยง BP เครือข่ายประสาทที่ถูกเก็บกักใน localextrema เทียบกับ BP ธรรมดา MEC-BP-Adaboost ไม่เพียงแต่สามารถเพิ่มเติมปรับปรุงแก้ไขความถูกต้อง แต่ยัง สามารถบรรลุผลลัพธ์ที่เกี่ยวข้องหลังจากการฝึกอบรมทุก ตัวเลขผลการทดลองแสดงให้เห็นว่า เมื่อเทียบกับวิธีการถดถอยพหุนาม วิธีโครงข่ายประสาท BP ธรรมดา และอัลกอริทึมทางพันธุกรรม (GA) -วิธีโครงข่ายประสาท BP อัลกอริทึมนำเสนอสามารถให้คุณภาพสีที่ปรับปรุงแก้ไข

ผลลัพธ์ (ไทย) 2:

ในงานวิจัยนี้มีจิตใจที่คำนวณวิวัฒนาการ (MEC) การขยายพันธุ์ -Back (BP) อัลกอริทึม -Adaboost (Adaboost) ขั้นตอนวิธีการแก้ไขสีที่ใช้เครือข่ายประสาทสำหรับภาพสีอุปกรณ์การซื้อกิจการจะเสนอ MEC-BP-Adaboost ขั้นตอนวิธีการแก้ไขสีบนเครือข่ายถูกนำมาใช้ในกระบวนการการฝึกอบรมเพื่อสร้างรูปแบบการทำแผนที่สีที่มีการจับตัวอย่างของสีที่เป้าหมายภายใต้อุปกรณ์ภาพสีที่ซื้อมา takenas การป้อนข้อมูลและข้อมูลที่เป็นสีมาตรฐานการส่งออก MEC-BP-Adaboost สามารถหลีกเลี่ยงได้อย่างมีประสิทธิภาพเครือข่ายประสาท BP ถูกเก็บกักใน localextrema เมื่อเทียบกับการชุมนุมของ BP ที่ MEC-BP-Adaboost ไม่เพียง แต่ยังสามารถปรับปรุงความถูกต้องของการแก้ไข แต่ยังสามารถบรรลุผลลัพธ์ที่เกี่ยวข้องหลังจากผลการทดลองทุก training.Numerical แสดงให้เห็นว่าเมื่อเทียบกับวิธีการถดถอยพหุนามธรรมดา BP วิธีเครือข่ายประสาท และขั้นตอนวิธีพันธุกรรม (GA) -BP วิธีเครือข่ายประสาทขั้นตอนวิธีการที่นำเสนอสามารถบรรลุคุณภาพการแก้ไขสีที่ดีขึ้น

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ จิตใจวิวัฒนาการการคำนวณ ( MEC ) - back propagation ( BP ) - อัลกอริทึม adaboost ( adaboost ) เครือข่ายประสาทขั้นตอนวิธีการแก้ไขสีภาพสีเป็นอุปกรณ์สำหรับการเสนอ MEC BP adaboost ใช้ขั้นตอนวิธีแก้ไขสีถูกใช้ในกระบวนการฝึกอบรม เพื่อสร้างสีแผนที่แบบด้วยการรวบรวมตัวอย่างสีเป้าหมายภายใต้ภาพสี takenas ข้อมูล ซื้ออุปกรณ์และสีมาตรฐานข้อมูลที่เป็นผลลัพธ์ นี้มี adaboost ได้อย่างมีประสิทธิภาพสามารถหลีกเลี่ยง BP โครงข่ายประสาทเทียมถูกตรึงใน localextrema . เมื่อเทียบกับ BP ปกติ นี้ adaboost BP ไม่เพียง แต่สามารถปรับปรุงแก้ไขความถูกต้องแต่ยังสามารถบรรลุผลลัพธ์ที่เกี่ยวข้องหลังจากที่ทุกการฝึก ผลการทดลองเชิงตัวเลขแสดงให้เห็นว่า เมื่อเทียบกับวิธีการถดถอยพหุนามแบบ BP , โครงข่ายประสาทเทียมวิธีการและขั้นตอนวิธีเชิงพันธุกรรม ( GA ) - BP ประสาทเครือข่ายวิธีการ วิธีที่เสนอสามารถบรรลุการปรับปรุงการแก้ไขสีที่มีคุณภาพ