基于海量散乱数据的数据压缩及曲面重建新方法

基于三维散乱数据的曲面重构是反向工程中的一项关键技术.文章针对大规模的散乱数据点,给出了一种数据压缩及生成曲面三角网格的新算法.该算法首先按照压缩比例在原始点中提取定量的分布均匀的点作为压缩后的点,然后利用原始点和压缩后的点之间的关系构建三角网格.最后再进行拓扑修正及网格优化,从而得到拓扑正确且均匀的三角网格曲面.实验表明,该算法简单,易于操作,具有较强的适用性.     

微切平面逼近三维散乱数据的研究

提出了三维散乱数据微切平面逼近的算法．基于曲面形状信息反映在三维散乱点集中，用三维点集中某点的邻域点集构造微切平面来近似表示该点处的局部形状，所有点的微切平面集合则构成了待构曲面的近似表示．通过欧几里德最小生成树对微切平面法矢方向进行调整使其达到整体一致性，该算法在三维散乱数据曲面重构中具有重要意义．     

基于样点拓扑近邻的散乱点云曲面拓扑重建

提出一种基于样点拓扑近邻的散乱点云曲面拓扑重建算法,对点云数据构建动态空间索引结构,采用动态扩展空心球算法查询样点k近邻,通过对样点的k近邻数据进行偏心扩展和自适应扩展获取样点的拓扑近邻参考数据,从中查询样点的拓扑近邻,从样点的同层拓扑近邻中获取符合Delaunay条件的匹配点,生成局部Delaunay三角网格,并通过增量扩展实现整个散乱点云的曲面拓扑重建.实例证明,该算法可对无隙、有边界等任意模型的散乱点云进行合理的曲面拓扑重建,有效解决了r-dense恰当采样点云中非均匀区域易产生非工艺孔洞的问题.     

基于法向量场的散乱点集三角网格化

文章提出了基于散乱空间点集进行曲面重建的新方法,即从散乱点集的空间位置信息中估算出待建曲面的法向量场,构造基于法向量的曲面重建控制方法和控制参数,并用该参数来确定拓扑重建的搜索空间,采用面片生长的方式重建曲面.该方法在快速获得正确的拓扑连接的同时,直接生成用较少的面片就能保持曲面特征的优化网格.     

微切平面逼近三维散乱数据的研究

提出了三维散乱数据微切平面逼近的算法。基于曲面形信息反映在三维散乱点集中，用维三点集中某点的邻 集构造微切平面来近似表示该点处的局部形状，所有点的微切平面集合则构成了待构曲面的近似表示。通过欧几里德最小生成树对微切平面法矢方向进行调整使其达到整体一致性，该算法在三维散乱数据曲面重构中具有重要意义。     

散乱数据点的NURBS曲面重建算法

给出了一个新的散乱数据的NURBS曲面重建算法．算法充分利用邻近点集反映出的局部拓扑和几何信息，基于二维Delaunay三角剖分技术快速地实现每个数据点的局部拓扑重建．然后通过自动矫正局部数据点的非法连接关系，把局部三角网拼接成一张标准NURBS网格．结果表明，本算法非常高效、稳定，可以快速地直接重构出任意拓扑结构的NURBS三角形网格。     

径向基函数方法在曲面重建中的应用

本文介绍了曲面重建的基本原理,论述了RBF插值的数学原理。并应用RBF方法对散乱点云模型进行了验证,实现了散乱点云的三维重建。但该算法目前效率还比较低,不适合应用于大量散乱数据的三维重构,有待于进一步优化。     

基于水平集的散乱数据点云曲面重构方法

提出了基于最小能量约束的水平集重构方法，用以解决由三维数据点云自动重构复杂拓扑结构物体模型的问题．其基本思想是将重构曲面看成是一个定义在三维空间的可变形封闭曲面，在曲面自身几何特征以及目标模型力的作用下，逐步逼近目标模型，其演变过程同时也是曲面能量逐步减小的过程．采用偏微分方程来表示曲面能量最小化的过程，将曲面进行三维空间网格划分，采用快速扫描法将三维数据点云转换为有符号的距离场，并给出了离散偏微分方程的数值解法．实验表明，基于水平集的三维曲面重构方法能够从初始表面自动收缩到目标模型，而且能够适应任意拓扑结构的复杂物体．     

逆向工程中NURBS曲面重构技术研究

该文提出一种利用数据点特征的非均匀有理B样条(NURBS)曲面重构方法。针对三坐标测量机测得数据点的特点，自动建立散乱点的拓扑信息，简化繁琐的数据前期处理工作。在曲面重构方法上，采用NURBS曲面插值方法，针对数据点的分布不均匀性，通过累积弦长法构造非均匀节点矢量，保证曲面的插值精度。B样条求值的快速算法，利用，临时多项式替代递归调用，能提高运算效率。     

反求工程中散乱点云数据的自动分割与曲面重构

提出了一种在反求工程中对散乱点云数据进行自动分割与曲面模型重构的方法．建立了散乱点云数据之间的拓扑信息，对点云数据进行三角剖分重构网格曲面模型．基于网格曲面求解点云数据的曲率极值，提取边界点云，进一步拟合成边界曲线．利用边界曲线将整个点云自动分割，每一片点云采用二次曲面或自由曲面进行拟合，对于二次曲面可以根据参数自动确定曲面类型，最终得到完整的CAD模型．用一个鞋跟模型的实例证明了该方法的有效性．     

自组织特征映射网络在模式分类中的应用研究

为了研究自组织特征映射神经网络在对于二维向量进行模式分类时,网络结构的最优化问题,深入研究了SOFM神经网络的结构和算法,说明了SOFM网络的建立方法。以二维向量的模式分类为例,利用所建立的SOFM网络模型对输入的二维向量模式进行分类,研究了输出层节点形状和拓扑结构对分类结果的影响,测试了在不同的训练步数条件下,SOFM模型的权值向量的调整过程和分类效果。仿真结果表明:当网络的输出节点以二维平面形式输出时,长和宽不相等的矩形图的分类性能明显优于正方形图的分类性能,并且在输出节点形式相同的情况下,六边型拓扑结构分类精度明显优于栅格型拓扑结构的SOFM神经网络。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于自组织特征映射的图像分割算法研究

提出了一种基于自组织特征映射的图像分割算法,实现了计算机对图像的初步理解,从而在某种程度上模拟了生物的初级视觉功能．通过分析研究Kohonen网络的自组织特征映射过程,构造了基于Kohonen网络的图像分割神经网络方法,应用自组织特征映射方法将原始图像分割为有序化的相关特征区域．最后结合图像分割的特点对算法进行了改进,结合有监督的学习算法,使得图像的分割最终在先验知识的指导下进行．实验结果表明将Kohonen网络应用于图像分割使得算法具有很强的自适应性,能够在很大程度上避免背景及噪声对分割的影响．     

基于改进SOFM网络的调制方式的自动识别

提出了应用改进的自组织特征映射神经网络自动识别信道调制方式的方法．首先，提取信号特征矢量；然后对网络的输出结构进行优化，引入反馈策略，并采用自组织分析方法，对训练后的节点进行动态聚类．最后，利用训练好的网络对加载不同噪声的调制信号进行识别．仿真结果表明，该识别法识别率高于传统的决策论法的识别率，平均值高3．2个百分点左右．     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

基于CCA和SOFM的轴承故障特征提取

提出曲元分析(CCA)和自组织特征映射(SOFM)相结合的方法用于轴承的故障诊断特征提取.首先通过传感器测得轴承在正常和非正常状态下的信号;然后对所得数据进行归一化;考虑到数据比较庞大,利用CCA进行降维;再利用SOFM进行训练,网络对不同状态下的输入具有明显不同的输出.利用Matlab神经网络工具箱来实现上述算法.实例仿真表明,这个算法可以快速正确地提取出轴承故障特征值,并通过聚类算法完成轴承的故障诊断.     

分组网络环境下的实时语音质量客观评价

提出了一种利用前馈随机神经网络在分组网络中进行实时语音质量评价的新方法．从接收到的语音分组中提取美尔频率倒谱系数向量，利用实时传输控制协议计算语音分组传输过程中的丢包率、延迟和抖动，构成网络传输参数向量．将随机神经元组织成具有1个输入层、1个隐含层和1个输出层的3层前馈网络结构，再以上述2种向量作为输入的多类别信号，以相应的主观平均意见（MOS）评分值作为输出对网络进行训练，从而获得稳定的权值矩阵．利用训练过的网络进行多类别信号的语音质量评分映射，并将映射结果与MOS进行二次多项式拟合，得到最终的语音质量评分值．实验表明，所提算法与主观评价之间的平均相关度可达到0．881．     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

基于遗传算法-BP神经网络的径向式导叶多级泵水力性能优化

针对径向式导叶多级泵内部流动状态复杂多变而导致其水力性能曲线难以精确测量的技术难题,采用遗传算法(ge-netic algorithm,GA)迭代优化反向传播(back propagation,BP)神经网络的权值与阈值,构建了基于GA-BP神经网络的径向式导叶多级泵水力性能预测模型,以MD500-57型径向式导叶多级泵为研究对象,建立了输入层为13个神经元、隐含层为10个神经元、输出层为2个神经元的GA-BP神经网络,采用正交试验方法设计了试验参数的正交试验方案,运用数值模拟计算方法对正交试验方案进行求解,获得了试验参数的训练样本,并对神经网络进行训练与测试,计算了过流部件关键几何参数的最优组合方案.试验结果表明:优化后该多级泵在设计工况下扬程增加了2.4 m,效率提高了3.34％,且高效区范围变宽.     

双输入样条神经网络权值与结构确定算法

基于样条函数逼近理论构建了以样条函数乘积为隐层神经元激励函数的三层双输入样条神经网络。该网络依据输入变量的空间结构,实现了训练数据的网格化划分,网络结构可随训练数据和网格划分数的变化进行相应调整,生成的权值矩阵做到了一步直接确定。仿真实验表明,双输入样条神经网络具有较高的建模精度,较短的运行时间,有效确定了训练数据网格划分数与网络结构的关系。