附加法向信息的三维网格预测编码

为提升三维网格的压缩性能,提出了一种网格法向与几何帧内-帧间预测编码方法.该方法充分利用法向数据内部分量间（帧内）及几何与法向数据间（帧间）的相关性,实现附加法向信息的三维网格压缩,有效保持解码后三维网格的几何特性.实验结果表明,提出的预测编码方法相比分别压缩三维网格法向与几何数据,能够显著提高附加法向信息三维网格的压缩效率.      

基于深度学习和光场成像的火焰三维温度场重建算法

提出一种基于深度学习和光场成像的火焰三维温度场快速重建算法.该算法利用卷积神经网络对火焰光场图像进行深层特征提取,建立了光场图像与三维温度场之间的映射关系,从而实现火焰三维温度场的快速重建;利用视在光线法构建了火焰光场图像和三维温度场数据集,对卷积神经网络进行训练,利用测试集对训练结果进行了验证和评价,并将卷积神经网络算法与传统非负最小二乘(NNLS)算法的重建结果进行了对比.结果 表明,基于深度学习和光场成像的火焰三维温度场重建算法可准确重建火焰温度场,同时具有较高的计算效率(火焰的网格划分为10×8×15,NNLS算法的重建时间为4759 s,深度学习算法的重建时间为830 μs),平均相对误差为0.14％,且对于图像噪声具有良好的鲁棒性.     

基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

基于Dropout卷积神经网络的行为识别

近年来,卷积神经网络(CNN)已经成为很多科学领域的研究热点之一.卷积神经网络作为一种深度模型可以直接作用于原始输入,不需要手动设计特征描述子.与传统神经网络相比识别效果有很大的提高.它已经建立了一类强大的模型来处理图像识别,并对其扩展到三维卷积神经网络(3D CNN)来处理视频识别问题.在此基础上,笔者对三维卷积神经网络做了如下改进:用Gabor小波核来初始化卷积操作,以达到模拟人类视觉系统对视觉刺激的响应;在网络训练的过程中加入Dropout技术,随机选择删除部分神经元,以此来提高网络的泛化能力,有效防止过拟合.提出的方法在KTH和UCF-YouTube数据集上进行验证,取得了很好地识别效果.     

边坡稳定的三维有限元直接搜索法

提出了一种基于三维有限元应力场计算边坡安全系数与直接搜索临界滑裂面的新方法.对临界滑裂面上的应力分布直接使用三维有限元计算的应力结果,并且直接利用三维有限元的单元体网格面作为滑移面搜索网格面.鉴于有限元单元体网格和图的直观相似性,可以把网格抽象成图,通过引用动态规划中最优化思想搜索临界滑裂面.以三维均质边坡为例,通过三维极限平衡法、三维强度折减法与本文方法的对比分析,验证了本文方法的正确性与合理性.     

静压气体球轴承承载力的三维计算方法

为研究环面节流静压气体球轴承的承载力特性,提出一种基于三维模型的计算方法.应用非结构同位网格技术对轴承进行网格划分,采用有限体积法对三维稳态可压缩N-S方程进行离散,将适用于可压缩流体的改进的SIMPLE算法应用于离散方程的求解.实验表明,该方法的计算结果与二维有限元法计算结果及实验数据相符,证明算法是有效的.     

基于深度学习的高精度交通流量大数据预测

为了高效预测分析海量交通大数据,提高道路通行率和城市交通的智能化水平,提出一种高精度基于深度学习的并行卷积神经网络交通流量大数据预测模型.该模型首先对数据进行预处理以获得有效数据集,将具有规则时间间隔的一维时间序列样本和图像转换为时间一维、位置一维的二维像素网格,构建并行卷积神经网络模型用于对通过某路段的交通流量进行预测,并应用预测因子对交通量流数据进行建模.实验结果表明,与其他模型相比,本文提出的模型在平均绝对误差、平均相对误差和均方根误差方面均优于所对比的方法.     

基于卷积神经网络的三维物体检测方法

提出了一种新的三维物体检测方法.在物体定位部分,采用随机采样一致和欧式聚类算法分割三维物体点云以减少计算量;在物体识别部分,将物体点云转化为深度图像,利用k-Means聚类算法学习卷积核,利用卷积网络提取卷积特征,从而提高图像的识别率,并在2个公开的三维物体数据集上对所提出的特征提取算法进行测试.结果表明,与传统的点云特征提取方法相比,基于卷积网络的特征提取方法的识别率较高.     

基于图像的艺术造型方法的研究与实现

提出了一种由二维图像转化为三维网格的新方法 ,在此基础上设计并实现了从视觉表面直接到雕刻模型的集成环境 .实现了图案设计、输入、编程、优化和数据转换的一体化和自动化 ,能产生高质量的雕刻模型数据样板 ,提高生产效率     

基于卷积注意力网络的网格质量评价方法

将深度卷积神经网络引入网格质量评价问题有望代替网格工程师完成繁杂的网格质量评价工作，节省计算流体力学数值模拟的人力成本，但现有方法的准确率和效率仍需要提高.因此，本文提出一种基于卷积注意力网络的网格质量评价方法.首先，本文提出在轻量级卷积神经网络模型中嵌入通道注意力的方式以同时提升准确率和效率；其次，设计了一个神经网络模型CANet用于网格质量评价任务；最后，通过Z-Score标准化对数据进行预处理，解决输入数据分布不一致的问题，以进一步提升准确率.实验结果表明，与现有方法相比，CANet可以达到更优的准确率97.06%,并且在效率上也有至少34.9%的提升.     

基于三角面片顶点均值的网格编辑方法

针对虚拟整形手术中待整形部位的三维模型曲面编辑问题,提出一种基于三角面片顶点均值网格编辑方法.该方法在保留网格原有拓扑结构的基础上,保持了网格曲面的原有曲率,实现了快速有效的局部网格编辑;结合网格细分方法实现在不同分辨率下对网格曲面进行整体编辑.同时,为了增强网格模型显示的真实感,通过网格简化、网格平滑、网格数据点法向量计算、纹理贴图等方法,对网格模型进行优化,提高了整形后网格显示效果.实验证明,该方法交互方式简便,变形效果较好.     

基于网格的地质断层可视化三维建模方法

文章提出了一种基于三维网格的含断层的地质体建模方法。该方法根据钻孔数据建立三维网格来模拟地层面,依据断层数据来计算断层面方程和断层的断距,最后,结合所得的三维网格数据、断层面方程和断距,通过OpenGL生成模型。该方法能有效降低含断层地质体建模的复杂程度,有较强的适应性,所给实例展示了该方法的实际建模效果。     

基于GeoSOT-3D的三维数据表达研究

基于面向地球空间, 且具有边界不重叠、网格正交、经纬一致、与传统数据规格兼容性好等特点的GeoSOT-3D立体网格, 提出一种三维数据表达方法。该方法设计剖分预处理和剖分表达两个步骤来完成空间数据的真三维表达, 并对大气观测数据进行三维展示实验。实验结果验证了该方法的可行性, 为全球空间数据的表达提供一种新的解决思路。     

圆形煤场三维可视化平台研究与应用

针对目前使用激光盘煤仪进行煤场库存盘点得到的三维数据点集散乱问题,提出了一种结合三维点云数据插值和计算机视觉修正方法的设计方案。通过对三维点云数据进行插值,根据插值结果进行三维网格点绘图,再根据电厂每日煤量进、耗、存实时基础数据进行修正,可以提高所绘的网格图与圆形煤场实际形状的拟合精度,利用Web、Unity3D与数据库进行数据交互,实现圆形煤场三维可视化展示,可实时提供煤场存煤量信息,动态修改网格图形状,为燃煤发电企业煤场科学增效管理提供决策支撑。     

基于纹理图像与网格协同优化算法的三维模型压缩

该文提出一种基于纹理图像与网格协同优化算法的三维模型压缩简化方法,在不降低三维模型视觉显示效果前提下,压缩三维模型数据。首先,对原始模型进行重网格化,获得具有规则拓扑结构的多分辨率网格;其次,结合模型网格提取纹理特征点,依据特征点确定图像有效区域;最后,利用嵌入式零树小波算法对图像进行编码和解码操作,实现对三维模型的压缩简化及图像重建。实验证明,该方法提取的图像有效区域更快捷、压缩率高、细节丰富。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于三维卷积的人手姿态估计高分辨率网络

在体素化输入的三维卷积基础上,通过引入高分辨率保持模块,提出了一种基于三维卷积的高分辨率保持网络.该网络以体素化的深度图为输入,进行三维卷积.不同于先前大多数从低分辨率特征中恢复高分辨率特征的方法,构建的网络引入不同分辨率子网络并行的结构,在处理低分辨率特征图的同时保持高分辨率特征图,从高分辨率子网络卷积得出每个关节点在3D体素中的分布概率,最终计算出每个关节点的三维空间坐标.实验表明:该算法相较于先前的基于沙漏模型的三维卷积网络能更准确地进行关节点估计.     

三维刚塑性有限元中网格重分技术的研究

本文在深入研究了三维网格重分技术的基础上 ,针对轴类锻件的网格重分提出了一种简洁、有效的算法———投影组合法 ,并用等参逆变换法对重分前后的场量进行转换。模拟实例表明 ,该算法生成的网格质量好、数据转换精度高。     

基于DSCNN-BiLSTM的入侵检测方法

针对传统的入侵检测方法无法有效提取网络流量数据特征的问题,提出了一种基于DSCNN-BiLSTM的入侵检测方法,该方法引入了深度可分离卷积代替标准卷积从而减少了模型参数,降低了计算量,并应用双向长短期记忆网络(BiLSTM)提取长距离依赖信息的特征,充分考虑了前后特征之间的影响.首先,通过主成分分析法(PCA)对网络流量数据进行特征降维,并创新性地将一维网络流量数据转化为三维图像数据;然后,分别运用深度可分离卷积神经网络(DSCNN)和双向长短期记忆网络(BiLSTM)提取网络流量数据的空间特征和时间特征;最后,利用KDDCUP99数据集进行训练、验证和测试.实验结果表明,与其他传统的入侵检测方法相比,该方法具有更高的准确率和更低的漏报率.     

基于MVC嵌入的约束纹理映射

针对约束纹理映射中三角网格极易发生形变的问题,本文提出一种基于均值坐标(Mean value coordinates)嵌入的约束纹理映射.使用基于局部/整体思想的ARAP(As-Rigid-As-Possible)算法参数化三维人脸网格,实验数据表明,参数化后的三维人脸网格三角形角度变形和面积变形均为最小.在网格嵌入中,采用均值坐标(Mean value coordinates)嵌入,得到的模型更加平滑.本文对多幅人脸图像进行纹理映射,结果表明该方法能够取得良好的实验效果.