基于ANN-NURBS的散乱数据点自由曲面重构

探讨了曲面三维密集散乱点数据的几何建模方法。按照先压缩后拟合的两步方法重构策略,实施基于ANN-NURBS的散乱点自由曲面重构。提出了基于人工神经网络(ANN)的散乱数据点的拓扑矩形网格重建方法并建立了神经网络模型。该模型利用神经元对曲面散乱点的学习和训练来模拟曲面上的点与点之间的内在关系,结点连接权矢量集作为对散乱点集的工程近似化并重构曲面样本点的内在拓扑关系。算例表明,该方法可实现三维密集散乱点数据自组织压缩,生成期望疏密程度和精度的矩形拓扑网格,并可有效保持原数据点集的拓扑特征,从而实现了基于NURBS的大规模散乱数据点的精确曲面重构。

用神经网络实现NURBS曲面重构

曲面重构问题是几何逆向工程中的首要问题,为了获得物体的几何模型(某些物体可能发生部分损坏)需要从大量的测量点构造曲面。该文采用了一个神经网络模型和相应的快速学习算法应用于曲面重建。该模型可以有效地逼近曲面并剔除输入数据点中的“坏”点。

基于神经网络的NURBS曲面重建

曲面重建是CAGD中的重点研究课题,而神经网络具有很好的非线性逼近能力,文中将二者结合,给出了一种利用神经网络将三维数据点拟合为NURBS曲面的方法。提出的前馈型神经网络包含四个隐层,其中一层的激活函数为B样条基函数。由数学推导可知,该网络可以表达NURBS曲面,通过对控制顶点及其权重的学习,可以用该网络来重建NURBS曲面。权值的调整通过误差反传与梯度下降法实现。实验结果表明,文中提出的方法是可行的。

基于RBF神经网络NURBS的散乱数据点自由曲面重建

根据径向基函数(RBF)神经网络可以用任意精度逼近任何非线性函数,以及强大的抗噪、修复能力等优点,该文采用RBF神经网络模型进行自由曲面重构,建立了适合曲面重构的径向基函数网络模型。进行了理论分析,并在非均匀有理B样条(NURBS)曲面上做了仿真试验。结果表明:该模型不仅能够有效地逼近不完善的、带有噪声的曲面,而且学习速度很快,提高了对破损、不完全曲面重建的效率和精度,得到的曲面光顺性好。

基于SOFM和NURBS的散乱数据点自由曲面重构

提出了利用NURBS实现曲面散乱点数据几何建模的方法。首先利用Uni-graphics软件设计原始曲面,在所设计的原始曲面上划分若干条曲线,并在曲线上随机设置大量的散乱点数据;然后用自组织神经网络SOFM对原始曲面上的散乱数据点进行聚类,构建NURBS曲线并完成曲面重构。最后通过仿真实验分析了重构曲面相对原始曲面的误差,实验表明所提出的几何建模方法是有效的,并能较精确拟合原始曲面。

SOFM和NURBS为基的散乱数据点自由曲面重构

利用自组织神经网络对原始曲面上的散乱数据点进行聚类,应用Unigraphics软件中的NURBS对聚类数据进行曲面重构,以获取原始曲面的CAD数字化模型。具体方法是利用Unigraphics软件设计原始曲面,在所设计的原始曲面上随机设置大量的散乱点数据,应用MATLAB中的神经网络工具箱中的自组织神经网络,对原始曲面上的散乱点数据进行聚类,获取样条曲线,再应用Unigraphics软件中的NURBS完成曲面重构。

基于PRPNet的三维表面重建方法

隐式神经网络用于三维表面重建时,存在重建物体的结构不准确、表面缺乏局部细节等问题,针对此问题,文章提出了一种基于PRPNet(点云残差编码网络)的三维表面重建方法。首先采用更深的网络结构且加入残差模块挖掘点云潜在的结构信息,加入PointMateBase模块,以增强局部细节表示能力;其次使用特征权重网络获取查询点的占用概率;最后通过区域增长的Marching Cubes算法提取三维表面。实验结果表明,PRPNet模型在ShapetNet和Synthetic Rooms数据集上的精度较DpConvONet模型相应数据集上的精度分别提升了2.5百分点和2.6百分点,能够有效提升三维表面重建性能。

基于进化神经网络的曲面磨削表面粗糙度预测

将人工神经网络技术引入曲面磨削加工领域,介绍了利用BP算法建立的曲面磨削表面粗糙度随磨削用量变化的进化神经网络预测模型.针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法.实验和仿真结果表明,基于进化计算的BP神经网络不仅可以克服单纯使用BP网络易陷入局部极小等问题,而且预测精度较高.

曲面重构算法的研究

提出了一种基于多层感知器网络的曲面重构算法 (ML PSR) ,建立了用于曲面重构的多层感知器网络模型。本文对基于二维拉格朗日局部插值的曲面重构算法 (2 DL L SR)与 ML PSR进行对比。为了更好地评估这两种算法的有效性 ,选择可用数学表达式表达的曲面作为重构对象。仿真实验结果表明 ,这两种算法在曲面重构上各有优点。当 2 DL L SR算法的阶次高于等于曲面本身的阶次时 ,曲面重构的效果很好。ML PSR算法在曲面重构的速度和精度上都比较好 ,尤其在曲面受到破坏或不完全时特别有效。

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。

基于混沌学习算法的神经网络短期负荷预测

基于混沌理论对电力负荷的复杂时间序列进行分析 ,得出该时间序列属于混沌序列的结论 ,就此提出了一种新的神经网络 ( NN)学习算法——混沌学习算法。该算法中的混沌轨道的游动性有利于系统跳出局域极值的束缚而寻求全局最优 ,这样克服了前馈 NN的 BP学习算法所存在的本质问题 ,使 NN训练的收敛性好、速度快、误差小。文中通过对实际系统负荷预测结果 ,与 BP算法预测结果比较 ,证明了混沌学习算法的电力负荷短期预测具有明显好的效果。

二维图像的光亮度重构实体几何模型的神经网络法

三维表面重建技术具有广泛的应用前景 ,由二维图像的光亮度重构实体几何模型是工业制造中迫切需要研究的课题之一。本文给出了一种基于BP神经网络的新型反射模型 ,用于三维实体几何模型的恢复与重建 ,它是基于兰伯特 (Lambertian)反射模型的改进算法。这一造型手段可用于CAD/CAE/CAM系统中 ,使得重建出的三维模型可以参与造型系统实体的基本运算和操作 ,共同推动CAD/CAE/CAM在制造业信息化领域的技术进步。从实例表明该算法较传统的算法更快和更精确。

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。

融合引导锚框算法的Faster-RCNN缺陷检测

针对传统零件表面缺陷检测方法准确性差效率低,无法满足智能制造需求的问题,提出基于Faster-RCNN深度学习算法的缺陷检测方法。在Faster-RCNN基本算法的基础上,引入引导锚框算法生成anchor方案,解决算法中anchor方案对本次检测的缺陷目标缺乏针对性、产生大量的冗余区域建议窗口的问题,以提高检测的准确性和效率;通过对比非极大值抑制中不同的IOU阈值对检测结果的影响,确定最优的IOU阈值,并设计零件缺陷样本采集方案,建立三种零件缺陷数据集,在此基础上对方法的有效性进行试验验证。实验结果表明,该方法能够大幅度提高零件表面缺陷检测的准确性和效率,各缺陷检测结果的平均精度可达97.7%以上,平均检测速度达到4.3 fps,满足了智能制造的急迫需求。

一种基于正交神经网络的曲线重建方法

提出了一种基于正交神经网络的曲线重建方法．该正交神经网络结构与三层前向网络相同，不同的是正交网的隐单元处理函数采用Ｔｃｈｅｂｙｃｈｅｆｆ正交函数，而不是ｓｉｇｍ ｏｉｄｉａｌ函数．新的曲线重建方法具有利用较少的数据点列将光滑的曲线以较高的精度重建的特点．网络训练采用Ｇｉｖｅｎｓ正交学习算法，由于它不是一种迭代算法，故学习速度快，而且没有网络初始参数的选取问题，网络训练又能避免陷入局部极小解等问题．实验表明，用正交神经网络方法重建的曲线在样本点和非样本点处均具有很高的逼近精度．

基于模拟复合正交神经网络的曲线重建方法

在数字复合正交神经网络的基础上提出一种模拟复合正交神经网络,并用于曲线重建。由于模拟神经网络采用连续学习算法,故网络学习收敛速度快。仿真结果表明,在单变量和多变量复杂函数曲线重建中,用模拟复合正交神经网络方法重建的曲线具有很高的逼近精度。本文提出的曲线重建方法是一种快速有效的方法。由于该模拟神经网络可望用模拟电路实现硬件化,因此在图象图形实时处理中具有很好的工程应用前景。

基于Faster R-CNN的零件表面缺陷检测算法

针对人工和传统自动化算法检测发动机零件表面缺陷中准确率和效率低下,无法满足智能制造需求问题,提出了一种基于深度学习的检测算法.以Faster R-CNN深度学习算法为算法框架,引入聚类理论来确定anchor方案,通过对比k-meansII和CURE聚类算法生成anchor对检测结果的影响,提出了基于聚类生成anchor方案的Faster R-CNN的零件表面缺陷检测算法,并引入多级ROI池化层结构,减少ROI池化过程中取整带来的偏差,实现高效并准确检测零件表面缺陷的目的.通过设计缺陷图像数据采集方案,建立了3种缺陷零件数据集,并验证了算法的性能.实验结果表明,该算法将缺陷检测的均值平均精度mAP从原算法的54.7%提高到97.9%,检测速度最快达到4.9 fps,能够满足智能制造的生产需求.

基于深度神经网络的块压缩感知图像重构

压缩感知(CS)是根据由信号的线性投影获得的少量测量值有效地重建信号的一种信号处理框架,用低的采样率重构出高质量图像,是基于CS的计算成像实用化的持续挑战。图像重构模型的改进多是在信号稀疏约束下加入更多稀疏先验,其迭代优化过程复杂且耗时。神经网络作为深度学习的应用模型,可实现对任意复杂函数的逼近,为图像高质量实时重构提供了新的技术路线。文中用深度神经网络(DNN)进行重构,避免了CS繁杂的算法求解过程,且通过分块处理缩短了重构时间以及减少了网络节点数目,通过对上万幅不同类型的图像进行训练以得到DNN模型,再将分块CS的测量和DNN非线性求解联合来实现高效重构。结果表明,所提方法与6种不同的重构方法相比,图像的峰值信噪比(PSNR)和结构相似度(SSIM)都有不同程度的提高。与先进的CS算法相比,不仅重构质量能与之媲美,而且DNN极大减少了时间复杂度,重构时间在3s内。当采样率低至0.01时,该方法仍能较清晰地重构图像而其他算法难以恢复。当采样率为0.1时,该方法与先进的残差网络方法相比,PSNR最大(小)增益达到6.7(1.97)dB,SSIM最大(小)增益达到0.354(0.122)。

基于微种群遗传算法和RBF神经网络的散乱数据重建方法

利用微种群遗传算法,结合性能优越的径向基函数神经网络,建立了适用于散乱数据曲面重建的径向基函数网络模型。采用微种群遗传算法完成对神经网络的权值优化,可避免早熟收敛,且有较快的收敛速度。实验结果表明,用这种方法解决散乱数据点的重建问题,具有较高的精度。

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法:ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR^(2)-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.