文摘
虽然计算机配色的使用可以减少由技术人员主观因素的影响,匹配的颜色自然牙陶瓷修复仍然是审美假牙修复学中最具挑战性的课题之一。摘要利用反向传播神经网络已经被引入到计算机配色在牙科,但它有缺点,如不稳定,精度低。在我们的研究中,我们采用遗传算法(GA)优化初始权值和阈值的摘要为提高匹配精度。据我们所知,我们首先将摘要与GA在牙科的计算机配色。大量实验证明该方法提高了预测精度和鲁棒性的配色恢复牙医。
1。介绍
随着技术的迅速发展,各种新材料带进牙科。人们不再只关注等功能恢复咀嚼和耐久性;相反,他们更关注美学(1]。颜色是一个关键的元素在确定陶瓷修复的美学。目前,大多数的颜色选择完成后通过视觉评估使用色标标签(2]。然而,目标齿的色差和色标标签不是微不足道的,如图1,选择一项艰巨的任务。直观、准确颜色选择可能最重要的因素在审美恢复性密度。视觉选择是主观的和颜色色标标签不能覆盖这些分布的自然牙齿。做出准确的颜色选择,以及适当的材料和合理的配置,以便它可以与天然牙的颜色一致,是一个紧迫的任务,还有待解决3]。
电脑配色(CCM)技术为牙齿修复的颜色匹配提供了一个广泛的研究和应用的新方法。随着Kubelka蒙克理论提出了1931年,计算机配色已经广泛应用于印染行业。在一系列的研究从1992年到1994年,Ishikawa-Nagai等人意识到不透明层的计算机配色的颜色porcelain-fuse-to-metal修复(PFM)使用分光光度计(4- - - - - -6]。王等人进行了一次可行性研究对CCM (7),结果表明,前牙修复的颜色重复率由CCM优于视觉颜色选择方法(8]。
值得一提的是,之间存在明显的色差瓷块的一部分,自然牙齿在基于CCM的实验Ishikawa-Nagai et al。9]。他分析了测量计算一些陶瓷粉末可能导致偏差,影响最终的精度。解决问题中存在Kubelka蒙克理论基于CCM,非线性方法,如人工神经网络,采用瓷修复。2003年,吴等人采用BP算法在油漆的颜色设计10]。2008年,张等人采用BP神经网络与遗传算法在纺织品的颜色匹配,取得了良好的性能(11]。
BP神经网络是目前最流行的神经网络方法之一(12]。然而,现有的改进BP神经网络也有一些缺点,如收敛速度较低(13,14和很难设计出合适的网络结构15]。实际在牙科临床应用,精度高和稳定性好是计算机配色的先决条件。电脑配色可以大大提高成功的牙医和技术人员的工作效率。在我们的研究中,我们进行许多实验来确定BP神经网络的结构。此外,我们引入了遗传算法(GA)的改进BP算法寻求帮助电脑配色在牙科16- - - - - -18]。大量实验表明,GA + BP的准确性优于最先进的方法。
2。算法
2.1。摘要利用反向传播神经网络
人工神经网络(ANN)被接受作为一种技术提供一种替代方法来模拟复杂的和不明确的问题。摘要利用反向传播神经网络是一个典型的安,已广泛应用于许多医学领域,如医学图像分析、专家系统为临床诊断和治疗,医学信号分析和处理。它成功地解决了许多复杂的非线性问题。摘要利用层次前馈网络体系结构,每一层的输出直接发送到每个神经元的上一层。摘要可以有很多层,同时所有的模式识别和分类任务可以完成三层摘要,如图2。
2.2。摘要利用的缺点和改进
根据柯尔莫哥洛夫定理和BP修复量化,三层BP网络具有非线性激励函数可以方法任意非线性函数在任意精度。多层感知器由于这种非凡的优势被广泛应用。然而,标准的BP算法有一些缺陷,如下所示。(1)在数学方面,它可以被视为一个非线性梯度优化问题。因此,很容易陷入局部最小值,不能达到全局最优的解决方案。(2)太多的训练使收敛速度缓慢。(3)很难确定隐层节点的结构由于缺乏理论指导。(4)存在倾向于忘记旧样本在训练新样品。
针对这些问题,提出了三种常用的方法。
(1)附加动量项。为了提高训练速度的摘要,可以添加动量项的重量调整公式。调整权重向量表达式与动量项公式所示
之前的公式表明,部分重量调整数量将被添加到当前的重量。的通常被称为动量系数()。动量项反映了调整经验。它可以减少振动趋势时突然波动误差曲面。它还可以提高训练速度。
(2)自适应调整学习效率。学习效率将不断在标准BP算法。然而,在实践中,最好是根据误差变化学习效率。
初步学习效率应该设置。一轮体重调整后,如果总误差增加,电流调整被认为是无效的,并根据公式调整学习效率
然而,如果总误差下降,目前的调整被认为是有效的,与此同时,根据公式调整学习效率
(3)引入梯度因子。权重调整的原因是在平原地区,神经元的输出被激发函数的饱和区。为了使输出饱和区,神经元网络的输入应该被压缩。因此,最初的激发函数可以添加一个梯度因素所示的公式
它被认为已经进入了平坦区域时近似为0;尽管如此,还大。在这种情况下,应该设置为大于1,偏离平面面积后,应该设置为1。
2.3。电脑配色的恢复与GA + BP
传统神经网络的初始权值和阈值是随机生成的。此外,网络连接权值和阈值的分布会影响数据拟合的效果。初始参数不当可能导致不收敛或陷入局部极值将恶化最终预测的准确性。
在临床应用中,需要提供更好的服务患者低误差和高稳定性。采用遗传算法(GA)来提高修复的计算机配色的准确性。遗传算法优化初始权值和阈值。它可以有效地减少初始参数的随机性。BP算法的局部最优的缺陷将被克服由于更稳定的通过使用遗传算法和神经网络的预测效果。
遗传算法是一种模拟进化过程的方法。它遵循进化的原则,以良好的个人进化为最优的解决方案。遗传算法的流程图如图3。
遗传算法的每一步都是解释如下。
编码,初始随机健身:使用GA,每个染色体中描述的人口需要表示。染色体是由一系列的实数。编码的字符串包含四个部分,即隐层之间的连接权值和输入层、输出层之间的连接权值和隐层,隐层阈值,阈值和输出层。
Fitnessfunction: GA适应度函数对染色体的可行性进行评估。健身与BP神经网络误差对应的实际输出和期望输出。当误差很小,健身将会很高。
选择:GA的极其重要的步骤是选择。选择是基于每个人的健康。本文采用轮盘赌选择。一个概率将为每个单独的评估。的定义公式 在哪里个人健身吗和人口的规模。
个人的概率选择时更大比较大。
交叉和变异:交叉和变异可以创造新的个体通过重组或突变。交叉操作是改变相应段两个人的两个新的个体。突变将返回新的个人通过改变染色体的一些元素的值。
这个过程将完成当我们得到适当的健身或进化完成了一代又一代的默认最大数量。这个过程的输出是最好的个人健康和这个人由权重和阈值。权重和阈值将被用作训练摘要的初始设置。
3所示。实验
3.1。火车/测试样品
我们混合维塔VMK95牙质瓷粉按照不同的比例。粉末将在自制的不锈钢成型模具(直径15毫米;厚度是3毫米)。然后,我们把瓷粉成瓷块瓷炉制造瓷件标本。最后,瓷器的颜色恢复数据库生成的阴影通过测量试样与crystaleye牙科分光光度计(19),如图4。
现在总共有119组数据通过使用上述方法。75%的数据作为训练数据集,而25%的数据作为测试数据集的例子。实验数据如表所示1。,,转换光谱的可见光来衡量crystaleye牙科分光光度计比色仪。,,,,是不同种类的维塔VMK95牙质瓷粉。不同比例的瓷粉燃烧后组件可以形成相应的颜色。,,被当作输入,而,,,,作为输出。每个维度之前需要输入数据的规范化培训。
3.2。摘要利用模型的建设
根据实际情况在前一节中,在输入层节点的数目是3和5在输出层。由于multihidden层网络结构更加复杂的三层神经网络可以实现几乎所有的模式识别和分类任务;三层神经网络。
如何选择隐层节点的数量还没有解决好的解析表达式。隐层节点的数量通常是由经验或测试。
公式(6)广泛用于估计隐层节点,最后结果将决定通过一组实验:
在公式(6),隐层节点的数量。输入层节点。输出节点数是。和是一个常数整数()。然后我们可以得到的价值4 - 13所示。
为了得到特定数量的隐层节点,我们介绍了试验和错误的思想和10进行了一系列的试验。每个试验测试执行20倍的预测。实验数据训练数据集被称为在前一节中。不同的试验有不同的隐层节点,而其他参数在不同的试验中是一致的。实验结果如图所示5。
如图5,很明显,误差最小当隐层节点的数量是12。因此,隐层节点的数量设置为12。摘要利用模型的建设完成。
3.3。应用程序
3.3.1。改进后的摘要
网络结构确定后,我们进行了摘要预测实验通过使用MATLAB神经网络工具箱。工具箱为我们提供了各种各样的改进算法。我们声明建筑培训模型如下:网= newff (inputn outputn hiddennum, {“tansig”、“tansig”},“traingd”)。
我们可以看到从上面的函数,两个励磁功能都切传递函数。我们的训练函数”traingdx。“也就是说,我们采用改进的BP算法与附加动量项和自适应调整学习效率。实验例子的实际输出和期望输出如表所示2。
我们可以用公式(7)来评估每个样本的误差:
最后,均方误差(MSE)是用来表示这个结构的总误差。MSE利用公式计算
我们进行了一系列的10个测试。所有的测试都有相同的参数和MSE的测试如表所示3。
3.3.2。GA + BP
GA算法BP算法的适应度函数由MATLAB神经网络工具箱提供的。我们选择Levenberg-Marquardt算法作为训练函数(20.]。Levenberg-Marquardt中型BP神经网络算法是默认训练工具箱的函数,而且它也有收敛速度最快的。
初始化参数,即阈值和权重,GA处理后可获得。然后,摘要与构造初始化参数模型。在本节中,我们选择了附加动量项和引入梯度因子提高摘要。同样,我们进行了一系列的10个试验。最后我们每个组的MSE。实验在每个试验的MSE表所示4。
3.4。讨论
比较摘要和GA + BP如图6。很明显,提议的MSE GA + BP通常小于摘要。此外,GA + BP是更稳定的预测能力。
4所示。结论
更完美的预测模型对牙科瓷计算机配色叫GA + BP算法。基于研究和综合讨论传统的摘要,初始权值和阈值是由GA优化首先。实验表明,它增强了收敛性能和稳定性的摘要通过确定适当的初始参数,而不是随机选择初始参数。它使修复更客观和准确的配色。
GA + BP可以帮助达到CCM的预测目标在实际研究。因此,具有较高的实际应用价值和CCM起着指导的作用。随着计算机科学的发展全面引入医学领域,口腔医院将有更多的能力在未来为病人提供更好的服务。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究部分由中国国家自然科学基金支持。81200805和博士项目基金会中国教育部(没有。20120001120080)。