基于深度卷积生成式对抗网络的船型特征认知与条件生成方法

船体型值与图片一样也是序列相关型数据,所以用于生成图片的神经网络模型也能生成船型数据。由于船舶种类繁多、需求复杂,本文研究重点从船舶水线上下、船艏、舯、艉等区域位置特征,和船舶设计中普遍存在球艏、尾轴、艏部外板升高等全局几何特征的条件生成需求出发,训练条件深度卷积生成式对抗网络模型(Con⁃ditional Deep Convolutional Generative Adversarial Networks)来实现两种特征的条件认知与生成。首先,将实现船型区域位置特征与全局几何特征的条件生成作为目标,分别建立条件深度卷积生成式对抗网络模型;然后,针对两类特征设置若干从易到难的不同分割方案和特征种类,使神经网络能够循序渐进地完成条件生成任务;最后,通过对训练过程和生成结果进行对比,初步证明所研究方法用于解决船型特征条件生成问题的可行性。本研究延续了作者之前的研究成果,属于基于计算机视觉技术的船型智能设计方法领域,旨在进一步探索引入人工智能实现船型智能设计的可行性方法。

基于卷积生成对抗网络的船型数据噪声处理方法研究

采用深度卷积生成对抗网络方法获得的船型样本数据存在显著的噪声,表现为船型表面凹凸不平、曲面放样品质低下等。论文对生成对抗网络输出的船型设计了后处理流程并编写计算程序,实现了生成模型的降噪、光顺、修正和切割等操作,显著提升了输出的船型曲面的质量,改善了生成对抗网络方法在船型设计中的应用性,为船型智能设计提供理论和技术支持。