共查询到17条相似文献,搜索用时 875 毫秒
1.
基于最小二乘支持向量机的三角网格修补算法 总被引:1,自引:0,他引:1
为实现点云数据孔洞区域的修补,提出了一种基于最小二乘支持向量机的三角网格曲面孔洞修补算法。首先检测出孔洞,采集孔洞边界周围的三角片顶点作为学习样本训练最小二乘支持向量机模型;然后对孔洞多边形进行平面填充,获得新增三角片的顶点,并用已训练好的最小二乘支持向量机模型将其优化,最终实现孔洞的修补。实验结果表明,该方法的精度和处理速度优于人工神经网络,具有一定的实用性,为孔洞修补研究提供了一种新思路。 相似文献
2.
3.
针对反求工程中由于点云数据的不完整而产生的三角网格孔洞,提出了一种三角网格模型孔洞的空间修补算法。在提取孔洞边界特征后进行边界预处理,建立孔洞边界特征平面,并将孔洞边界向该平面投影;逐次寻找投影多边形中夹角最小的对应空间边界点作为网格生长点进行修补,直至新增的三角网格覆盖原有的孔洞;以孔洞边界周围的网格顶点作为采样点,对新增的孔洞网格顶点位置进行最小二乘拟合调整,以实现孔洞的准确修补。通过实例验证,说明该方法具有较好的孔洞修补精度和稳定性。 相似文献
4.
基于径向基函数的多种类型孔洞修补算法研究 总被引:3,自引:0,他引:3
利用径向基函数对散乱数据点进行曲面重建受到越来越多学者的关注,并被应用于解决网格模型中的孔洞修补问题。本文在实现径向基函数对简单孔洞进行修补的基础上,进一步研究了对多种类型孔洞的修补问题,提出了统一的修补算法:首先利用填充算法对孔洞进行填充,然后使用径向基函数建立孔洞区域的隐式曲面,最后将新增加的三角片顶点调整到建立的隐式曲面上,并给出了修补结果的优化处理。实例证明,该算法适用性好,对不同类型孔洞的修补效果理想。 相似文献
5.
6.
7.
基于RBF神经网络的曲面数据修补研究 总被引:2,自引:0,他引:2
径向基函数(RBF)神经网络具有良好的泛函逼近能力,主要探讨了将RBF神经网络应用于残缺曲面数据修补问题,通过建立适于数据修补的网络模型与采用levenberg-marquardt算法的改进型BP神经网络进行性能比较.结果表明:RBF在进行残缺数据修补时网络收敛速度快于BP神经网络,且修补精度高,适宜于曲面残缺数据的修补. 相似文献
8.
9.
10.
11.
汽车工业存在大量形状各异的带孔零件,针对不规则多孔零件的模板匹配,提出了一种基于特征三角形的快速模板匹配算法。利用面积特征和距离特征选取匹配孔,采用限定的最小二乘法圆拟合计算匹配孔的精准圆心构建特征三角形;根据三角形的旋转不变性和平移不变性,利用特征三角形提取匹配中心和匹配角进行仿射变换,实现零件的模板匹配和配准。实验结果表明,该模板匹配算法适用于不同孔数的零件,对零件变形的宽容度较高,且不易受匹配孔部分缺失、粘连等缺陷的影响,匹配速度快,可以达到工业零件缺陷检测的要求。 相似文献
12.
13.
基于无网格局部Petrov-Galerkin法的曲面修复算法 总被引:1,自引:1,他引:0
针对三维残缺数据曲面重构的困难,提出残缺点云或有孔洞网格曲面数据修复的新算法,该方法通过拟合进行曲面重构,大大减小了边界节点误差的影响;同时采用基于板壳理论的无网格法,使孔洞曲面修复更光滑,尤其可以更真实地修补出锻压制造的薄板零件.首先应用移动最小二乘法插值对残缺点云进行边界提取,然后给出逐层节点布置算法,最后应用基于最小势能原理的无网格法进行曲面修复,并将通常无网格法中积分圆域改进为多边形域.编写相应程序,经简单二次曲面缺损网格修补验证算法的有效性,结果分析表明误差很小,曲面修复结果理想.为进一步证明算法实用性,对实际薄壳产品的孔洞进行算法应用,修补效果理想. 相似文献
14.
15.
16.
针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题, 相似文献
17.
受深度学习理论的启发,对使用卷积神经网络预测航空装配制孔质量进行研究。以工艺参数(制孔转速、进给、每转进给)与主轴电流信号为网络输入,以制孔出口毛刺高度为预测目标,在实验基础上,分析了激活函数、目标优化算法、卷积核个数、卷积层层数、卷积窗口大小和学习率等对制孔出口毛刺卷积神经网络预测模型的影响,并通过启发式算法确定了最优的网络设置。研究结果表明,制孔出口毛刺预测平均相对误差为9.34%,实验集测试预测相对误差在15%以内,优于传统理论建模30%左右的预测相对误差。 相似文献