基于神经网络的接触式测头半径三维补偿

本文探讨了基于扩展的自组织特征映射(ESOFM)神经网络的三坐标测量机接触式密集数据采集的测头半径三维补偿.构建了测头半径三维补偿神经网络模型及其训练算法.用网络神经元对曲面空间测量样本点的学习和训练来模拟曲面上的点与点之间的内在关系.按六角形阵列侧抑制邻区训练调整网络神经元权重矢量,使网络输出层结点呈六角形阵列分布,可实现测量点集压缩后的Delaunay三角逼近剖分.经过训练,神经网络将整个数字化点群数据分成许多子区域,每个子区域用一个微切平面逼近.根据微切平面的法线,对测头半径进行三维补偿.算例表明所创建的测头半径三维补偿神经网络模型有效可行.     

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.     

扫描式数据采集测头半径的三维智能计算补偿

探讨了基于扩展的自组织特征映射神经网络的扫描式密集数据采集的测头半径三维补偿。构建了测头半径三维补偿神经网络模型及其训练算法。首先经过训练,神经网络将整个数字化点群数据分成许多子区域,每个子区域用一个微切平面逼近;然后对子区域的分类核心,即神经元位置权重,沿微切平面法矢方向进行修正;最后根据微切平面的法线,对测头半径进行三维补偿。算例表明所创建的测头半径三维补偿神经网络模型有效可行。     

结合平面投影与区域生长的点云表面重建

为提高点云曲面重建的精度和效率,提出了一种将平面投影与区域生长相结合的散乱点云曲面重建方法。从散乱点云中选取局部点集,对其离散度进行判断,将较平滑的符合离散度要求的点集投影到二维平面并进行三角剖分,将三角剖分后点之间的拓扑连接关系映射回三维空间,实现该部分点云的表面重建,对剩余的散乱点用改进的区域生长法重建表面。实验结果表明,该算法能够重建出结构形态正确、保留物体细节信息的三维模型,降低曲面重建复杂度并提高其精确度。     

逆向工程中的数据点云的分割

逆向工程中由数据点云构建物体表面模型中，对数据点云恰当的分割是表面建模的一个很重要步骤。文中以激光-机器视觉测量方式得到的曲面数据云为基础，探讨了曲面密集三维散乱点群数据的分割技术。根据激光测量方式和三维点群分布的特点，建立了在计算机中表示散乱点群数据结构。建立树形空间结构完成对密集散乱点群进行空间分割，由此实现对散乱点群数据的几何分割。     

精确逼近密集散乱点数据的矩形网格

基于自组织特征映射(Self-Organizing Feature Map,SOFM)神经网络构建的矩形网格模型可以实现密集散乱点数据自组织压缩,生成双有序点列,但该模型存在矩形网格的逼近误差和边缘误差。为减小矩形网格的逼近误差和边缘误差,改进了矩形网格模型的训练模式。首先采用整个测量点集对矩形网格模型中的所有神经元进行整体训练;然后对矩形网格中的网格神经元的位置权重,沿网格顶点法矢方向进行修正;最后采用测量点集中的边界点集,对矩形网格模型中的网格边界神经元进行训练。算例表明,应用该训练模式,可以有效减小矩形网格的边缘误差,矩形网格逼近散乱数据点集的逼近精度得到大幅提高并覆盖散乱数据点集整体分布范围。     

逼近散乱数据的矩形网格边缘误差的减小研究

基于SOFM神经网络构建的矩形网格模型可以实现密集散乱点数据自组织压缩,生成期望疏密程度和精度的双有序点列,但该模型存在边缘误差。为减小矩形网格的边缘误差,改进了矩形网格模型的训练模式,提出了3步训练模式。第1步采用整个测量点集,对矩形网格模型中的所有神经元进行整体训练;第2步采用测量点集中的边界点集,对矩形网格模型中的网格边界神经元进行训练;第3步采用边界点集中的角点点集,对矩形网格模型中的网格边界角点神经元进行训练。算例表明,应用该训练模式,可以有效减小矩形网格的边缘误差,矩形网格逼近散乱数据点集的逼近精度得到提高并覆盖数据点集整体分布范围。     

自由曲面测量点云数据的建模方法研究

本文提出了一种散乱点云数据的建模新方法。通过对点云数据进行空间三维划分，实现了边界信息的高效提取。采用局部曲面拟合方式得到位于截平面上的有序数据，使得无序的散乱数据形成了有序的阵列数据，实现了NURBS曲面的精确拟合。实验证明，该方法非常适合卷曲类模型的自由曲面重构，在某零件的测量、建模和加工中已经得到了实际应用。     

反求工程中基于边界扩展的三角网格构造

针对非接触式方式测量的大规模散乱点云数据建模，提出一种三角剖分算法，该算法适用于多张自由曲面片构成的曲面物体，尤其适用于含内孔的曲面对象。算法过程包括两个阶段：第一阶段，采用一种空间栅格装点法来进行初始点云数据精简，精简比率通过栅格小正方体单元尺寸控制；第二阶段，构造种子三角形，通过连接已剖分网格区域的边界边与最优扩展点采形成三角网格，从而向外延展，也可以时一个带有内孔的复杂自由曲面直接进行三角剖分，无需人工分区。实验结果表明该算法可以快速、有效地从三维数据点云建立几何模型。     

一种基于曲线拟合与采样的点云数据压缩方法

在反求工程中,从样件表面采集得到的通常是数量非常庞大的点云数据,严重影响了曲面重建算法的效率;另外,基于四边域曲面的重建算法通常要求型值点数据呈拓扑矩形排列,而采样得到的散乱点云通常不满足这一拓扑要求。文中提出了一种新的数据压缩技术路线,用于把海量散乱点云数据合理地压缩到四边域曲面重建所要求的数据量和拓扑形式。该方法的核心是B样条曲线的拟合和采样。为使采样点更好地反映原始模型的外形特征,给出了一种基于曲率的自由曲线自适应采样算法。应用实例表明本文提出的方法达到了预期的效果。     

一种基于RBF隐式曲面的离散数据快速重建方法

本文针对空间散乱数据, 提出一种基于RBF（Radial Basis Function）隐式模型的快速曲面重建方法,并实现了隐式曲面的可视化。三维离散数据由于分布稠密、不均匀,空间拓扑结构未知的特点,本文首先强调大规模散乱数据预处理的重要性。通过基于空间法向量约束和主元分析两种方法进行数据简化和特征提取。其次采用K-d tree数据结构进行空间数据分割,将全局模型转化为局部的RBF模型,从而通过求解线性方程组得到模型的权值系数。最后在局部交叠空间光滑拼接,得到一个代数表达形式的光滑曲面。实验结果表明,该方法适用于任意复杂物体的三维曲面重建,而且具有较高的重建精度。     

基于改进神经网络的数据图书馆满意度评价研究

对用户评价满意度进行大数据分析,挖掘影响满意度关键因素以及对策,持续优化服务为用户提供高质量的知识资源,成为图书馆研究的主流方向。本文采用自组织映射神经网络算法建立满意度评价分类模型,针对自组织映射神经网络模型受神经元网络连接权重的初始值和阈值影响稳定性不足的问题,引入粒子群算法选择最优初始权重,稳定评价模型提升准确度,通过仿真实验论证,优化后的神经网络算法,对比BP神经网络以及自组织映射神经网络模型,其网络性能较好,评价准确性更高,平均准确率达到了94%,且通过粒子群算法的优化,加快了算法本身的收敛速度。     

Research on image reconstruction algorithms based on autoencoder neural network of Restricted Boltzmann Machine (RBM)

Aiming at the problem of low quality in image reconstruction of traditional image reconstruction algorithm of electromagnetic tomography(EMT), an EMT image reconstruction algorithm based on autoencoder neural network of Restricted Boltzmann Machine (RBM) is proposed. Firstly, the basic principles of EMT system and autoencoder neural network are analyzed. Autoencoder neural network is a deep learning model, which contains two parts: encoder and decoder. The encoding process of the encoder is equivalent to the object field detection process in the EMT system; the decoding process of the decoder is equivalent to the image reconstruction process. On this basis, an autoencoder neural network model is built. In this model, the RBM is used for layer by layer pre-training to obtain the initial weight and offset, and the global weight and offset are adjusted by BP algorithm. The parameter file generated in the trained autoencoder neural network is used to construct a decoder. Finally, the detected voltage value output by the EMT system is input into the decoder network to obtain the reconstructed image of the EMT. Furthermore, data with Gaussian noise and data regarding flow pattern not in training dataset are used to test the generalization ability and practicability of the network, respectively. The experimental results show that the method in this paper is a kind of EMT image reconstruction method with higher accuracy, which also provides a new means for EMT image reconstruction.     

基于模糊聚类的Kohonen神经网络三角网格曲面重建

针对密集点云的三角网格曲面重建,提出一种用于数据精简和分块的神经网络算法:将模糊聚类方法与Kohonen神经网络算法结合.该算法具有按不同曲率进行曲面点云分块重建的能力,而且提高了自组织神经网络的效率.并应用该算法进行了仿真试验,建立了三角拓扑网格曲面,验证了算法的有效性.     

应用广义回归神经网络重建点云曲面

针对现有曲面重建神经网络算法误差大的缺点,并根据广义回归神经网络解决函数逼近问题的特点,提出了一种针对点云曲面重构的广义回归神经网络,并编制Matlab程序对点云曲面做了仿真试验；仿真结果表明：该模型逼近曲面误差精度达到网络设计要求的10~(-4)mm,网络学习速度快,重建曲面光顺．     

基于多源信息融合的行驶工况识别及其在整车转矩分配中的应用

传统的行驶工况判别方法多采用单参数或者双参数进行判别,为提高工况识别精度,针对混合动力汽车双动力源的特点,提出一种多源信息融合的汽车行驶工况识别方法,基于Daubechies小波对多传感器采集到的时间序列进行分解,利用单支小波重构的方法获得每个传感器不同频段下分解信号的数据特征信息,然后基于变属性权重的模糊C-均值聚类方法将不同传感器不同频段的数据特征信息进行一次聚类识别;最后对不同频段下同一工况的隶属度值加权,采用SOM自组织映射网络进行二次聚类融合实现最终的行驶工况识别。将本文所提方法应用于混合动力汽车整车转矩分配中,不同工况下调用不同的转矩分配三层前馈神经网络模型,以提高整车的经济性能。试验结果验证了本文所提方法的有效性。     

基于自组织映射的齿轮箱状态监测可视化研究

提出了一种自组织映射网络训练结果的可视化方法——距离映射法,该方法通过计算出竞争层神经元权矢量与输入模式的相似度,并综合考虑神经元的网格分布,把输入矢量降维映射到二维平面。结合该方法研究了自组织映射网络在齿轮箱故障识别和状态监测中的应用。与U－矩阵法相比,该方法能更加清楚地将齿轮正常、裂纹和断齿状态的特征数据映射到二维平面的不同区域,将齿轮箱状态聚类分开,特征数据在平面上的映像点轨迹变化趋势直观反映了齿轮箱工作状态的变化,便于及时监测识别出齿轮的早期故障及其变化趋势。     

基于栈式自编码器的磁探测电阻抗成像算法研究

针对目前磁探测电阻抗成像算法图像重建分辨率不高、精确度低的问题,提出了一种基于栈式自编码(SAE)神经网络的磁探测电阻抗成像算法。使用方形成像体进行仿真实验,通过训练样本建立SAE神经网络模型,确定神经元权重和偏置值。利用该网络模型重建成像体内部的电导率分布;并在异质体中心位置、算法的抗噪性能等方面将重建结果与基于Levenberg-Marquardt算法的反向传播神经网络的重建结果进行对比。结果表明栈式自编码神经网络算法显著提高了磁探测电阻抗成像的重建精度、抗噪性能。最后,通过仿体实验验证了SAE算法的可行性。根据实际测得的磁场,使用神经网络算法重建电导率,准确定位异质体位置。SAE神经网络算法的提出对于磁探测电阻抗成像技术的广泛应用具有重要意义。     

小波-分形-多 ART2神经网络在汽车发动机故障识别中的应用

利用小波(包)变换和分形理论对汽车发动机的非平稳振动信号进行特征提取,由自组织主成分分析作特征降维,然后用一种新的多ART2神经网络对发动机故障状态进行分类识别,获得了满意的效果。