1.一种基于深度置信网络的柔版印刷压力预测方法，其特征在于，具体按照以下步骤实施：步骤1：对柔版印刷所需要的分色原稿图像进行二值化处理，得到二值化图像；

步骤2：将经步骤1得到的二值化图像进行取反处理，得到取反后的反色二值化图像；

步骤3：将经步骤2得到的反色二值化图像划分为28×28的网格，计算每个网格区域内的图文面积，得到面积矩阵；

步骤4：对柔版印刷所需要的分色原稿图像进行梯度计算，得到梯度图像；

步骤5：将经步骤4得到的梯度图像划分为28×28的网格，计算每个网格内的最大梯度值，得到最大梯度值矩阵；

步骤6：对柔版印刷所需要的分色原稿图像进行灰度共生矩阵计算，利用MATLAB自带的graycomatrix函数进行计算得到灰度共生矩阵；

步骤7：将经步骤3、步骤5和步骤6得到的面积矩阵、最大梯度值矩阵、灰度共生矩阵三组向量横向并列，得到分色原稿图像的特征矩阵；

步骤8：在柔版印刷机上采集与分色原稿图像对应的印版的实际最佳印刷压力值，同时，将步骤7得到分色原稿图像的特征矩阵作为深度置信网络模型的输入数据；实际最佳印刷压力值作为深度置信网络模型的输出数据，建立深度置信网络压力预测模型，对模型参数进行优化，得到最优的深度置信网络压力预测模型，经过最优的深度置信网络压力预测模型可预测出最佳印刷压力值。

2.根据权利要求1所述的一种基于深度置信网络的柔版印刷压力预测方法，其特征在于，所述步骤3具体按照以下方法实施：步骤3.1：将步骤2得到的反色二值化图像划分为28*28的规则网格，用于网格区域内的图文面积计算，网格划分的数量对实验结果有重要影响，经过优化最终将网格划分28×28；

步骤3.2：经过步骤3.1处理后，标记网格内连通区域的个数，然后，统计每个连通区域内的像素点个数，最后，将每个连通区域内的像素点数相加，得到网格内的图文面积；

步骤3.3：对每个网格内的图文面积进行计算，最终得到28*28的面积矩阵。

3.根据权利要求1所述的一种基于深度置信网络的柔版印刷压力预测方法，其特征在于，所述步骤4具体按照以下方法实施：步骤4.1：使用常用的Robert算子横向梯度模板对分色原稿图像进行卷积计算，得到横向梯度图像；

步骤4.2：使用常用的Robert算子纵向梯度模板对分色原稿图像进行卷积计算，得到纵向梯度图像；

步骤4.3：经步骤4.1和4.2，计算梯度的模，得到梯度图像，通常将梯度的模简称为梯度，因此梯度的计算为：式中，Gx为横向梯度，Gy为纵向梯度，G为梯度的模，即梯度；经梯度的模计算之后，可以得到梯度图像。

4.根据权利要求1所述的一种基于深度置信网络的柔版印刷压力预测方法，其特征在于，所述步骤8具体按照以下方法实施：步骤8.1：在柔版印刷机上采集与分色原稿图像对应的印版的实际最佳印刷压力值，同时将步骤7得到分色原稿图像的特征矩阵作为深度置信网络压力预测模型的输入数据，实际印刷压力值作为深度置信网络压力预测模型的输出数据，将输入数据和输出数据组成的数据集划分为训练集和测试集；

步骤8.2：将训练集中的数据输入深度置信网络压力预测模型结构中，对深度置信网络进行训练，经归一化处理、网络模型评价和参数优化后，得到最优的深度置信网络压力预测模型；

具体的过程为：

(1)对特征矩阵进行归一化处理，采用线性归一化的方法，将特征矩阵归一化至[0,1]区间，其表达式如下：式中，X和X'分别表示为原始数据和归一化后数据，Xmin和Xmax分别表示原始数据的最小值和最大值；

(2)采用的深度置信网络模型评价参数为：平均绝对百分比误差MAPE、线性回归相关系数R和累积预测精度函数CS(θ)：其中，MAPE是预测值与实际值之差平方的期望值，反映了模型预测值相对于实际值的整体偏差程度，MAPE的值越小，说明预测模型拥有更好的精确度；

回归系数R反映预测值与实际值的关联程度，R值越接近1，说明预测模型描述实验数据与实际值具有更好的相关性；

CS(θ)预测值与实际值的绝对值误差小于θ的样本数占总样本数的百分比，其函数表达式为：式中，Ne≤θ为预测误差小于θ的数据数量，N为预测样本数量；

(3)经过参数的优化后，最终确定深度置信网络结构，网络采用四层结构，神经元结构为2352‑1568‑784‑500，网络的学习率为0.005，网络动量为0.8，迭代次数为100，每次迭代随机的样本数量为5，深度置信网络通过展开把学习到的权重赋值给人工网络，通过人工神经网络实现压力预测，人工神经网络采用的激活函数为sigm函数，网络输出层的激活函数为linear函数，网络的学习率为0.005，网络动量为0.9，迭代次数为100，每次迭代随机的样本数量为5；

步骤8.3：深度置信网络训练完成后，建立特征矩阵和实际印刷压力值之间的非线性映射关系；

步骤8.4：将测试集数据输入到训练好的深度置信网络压力预测模型中，经过最优的深度置信网络压力预测模型可预测出最佳印刷压力值。