A method uses a hybrid neural network including a self organizing mapping
neural network (SOM NN) and a, back-propagation neural network (BP NN) for
color identification. In the method the red, green and blue (RGB) of color
samples are input as features of training samples and are automatically
classified by way of SOM NN. Afterwards, the outcomes of SOM NN are
respectively delivered to various BP NN for further learning; and the map
relationship of the input and the output defines the X,Y, Z corresponding
the x, y and z values of a coordinate system of the standard color samples
of RGB and IT8. By way of the above learning structure, a non-linear model
of color identification can be set up. After color samples are self
organized and classified by SOM NN network, data can be categorized in
clusters as a result of characteristic difference thereof. Then the data
are respectively sent to BP NN for learning whereby-the learning system
not only can be quickly converged but also lower error discrepancy in
operation effectively.
Un método utiliza una red de los nervios híbrida incluyendo un uno mismo que organiza traz la red de los nervios (SOM NN) y a, red de los nervios de la detra's-propagacio'n (punto de ebullición NN) para la identificación de color. En el método el rojos, el verdes y el azul (RGB) de las muestras del color se entran como características de las muestras del entrenamiento y se clasifican automáticamente por SOM NN. Luego, los resultados de SOM NN se entregan respectivamente al vario punto de ebullición NN para aprender adicional; y la relación del mapa de la entrada y de la salida define el X,Y, Z que corresponde los valores de x, de y y de z de un sistema coordinado de las muestras estándares del color del RGB y de IT8. Por la estructura que aprende antedicha, un modelo no linear de la identificación de color se puede instalar. Después de que las muestras del color sean uno mismo organizado y clasificado por la red de SOM NN, los datos se pueden categorizar en racimos como resultado de diferencia característica de eso. Entonces los datos se envían respectivamente al punto de ebullición NN para aprender por el que-el sistema que aprende se pueda converger no solamente rápidamente pero también más bajo discrepancia del error en la operación con eficacia.
