文摘本文提出一种基于RBF(Radial Basis Function,径向基函数)神经网络的打印机光谱预测模型,通过扩展神经网络模型输入变量的项数提高模型的预测精度,扩展项多采用通道驱动值的交叉值、平方值。实验结果表明[1cmy]项的引入能够有效提高模型的预测精度,同时提高网络的泛化能力。而引入[cm2 cy2 mc2 my2 yc2 ym2]项会导致模型预测精度以及泛化能力降低。[1cmy]、[c2 m2y2]和[cm cy my]项的组合在预测精度和模型泛化能力上均是最优化的,对总样本预测的色度精度为0.475ΔE00,光谱精度RMSE为0.43%。因此选择[1cmy c2 m2y2 cm cy my c m y]作为输入变量的RBF神经网络训练模型是满足高精度光谱预测的最优模型。
