基于NURBS曲面拟合的图像边缘检测方法

提出了一种利用NURBS曲面氦事进行图像边缘检测的新方法。与Haralick对称区域下多项式曲面小片拟合方法不同,NURBS曲面拟合克服了Haralick方法对图像区域划分和灰度平均的限制,且不再需要窗口区域对称。利用NURBS曲面拟合构造简单、算法灵活、易于控制的特性,提高了曲面小片构成的灵活性与边缘检测的精度及计算效率。本文给出了NURBS曲面拟合基本小面构成、拼接及求导方法,并以一个真实图像进行了实验验证,结果证明,该方法稳定可靠,精度较高。     

基于散乱点云数据的曲面重构方法

散乱点云的三维重构有广阔的应用前景,通用高效的重构算法是研究重点之一,目前大多采用三角面片重构,与通用CAD/CAM系统中的四边域重构不兼容。本文提出一种在三角域上对散乱点云数据进行NURBS曲面重构的方法,结合了三角面片重构的灵活性与NURBS曲面重构的通用性。首先对测量点     

基于点云数据NURBS曲面重构技术探究

通过研究NURBS曲面重构算法,分析了多种应用软件曲面重构方法并根据古建筑保护测量获取到点云数据的特点,对非均匀分布的型值点采用NURBS曲线曲面节点插入算法生成呈四边域分布的控制点矩阵,运用OpenGL在C#环境下进行了虚拟显示.     

一种改进的散乱数据曲面拟合算法

提出一种改进的散乱数据曲面拟合算法,利用自适应区域分解法和QR分解法,提高了算法的稳定性,采用双三次Bezier曲面插值拟合散乱数据点,解决了拟合曲面的光滑性问题,最后给出了算法实例和结果分析.     

基于NURBS曲面和BTF的真实感图形绘制

本文结合NURBS曲面和BTF术的基本原理,探讨了二者的结合在真实感图形绘制上的具体应用,并给出了具体算法.     

NURBS曲面的算法分析及实现

讨论了ＮＵＲＢＳ曲线和节点矢量、控制和基函数对曲面形状的影响，给出了ＮＵＲＢＳ的算法分析及其实现方案，最后，将ＮＵＲＢＳ曲面与老式曲面（如Ｂ样条，Ｂｃｚｉｅｒ）进行了比较。     

基于NURBS的建筑曲面建模技术研究

针对建筑结构中复杂曲面的高精度建模要求，提出采用NURBS建模方法建立建筑结构中复杂曲面的几何模型，通过建立模型，为进行复杂建筑结构的强度分析仿真和进行城市规划的视景仿真提供高精度的几何模型数据。     

散乱数据的曲面拟合及其在汽车车身外表面造型设计中的应用

根据车身外形曲面测量和拟合的要求，分析了散乱数据曲面拟合的Ｓｈｅｐａｒｄ，三角形剖分，Ｂ－ｓｐｌｉｎｅ最小二乘及Ｔａｙｙｌｏｒ逼近方法的各自特点，推导了计算模型并建立了软件系统，给出了用于车身外表面造型的实例。     

基于退火遗传算法的NURBS曲线逼近

利用退火遗传算法实现任意阶、任意节点数的非均匀有理B样条(non uniform rational b-spline, NURBS)曲线逼近型值点序列。首先将NURBS曲线的控制顶点、权、节点序列和逼近型值点的t参数序列用浮点数编码为基因个体,然后通过循环执行交叉算子、变异算子和退火选择算子求解寻找最优解或者次优解。最后用四种不同控制顶点数和次数的NURBS曲线逼近同一个型值点序列,给出了四种不同条件下的数值结果和图形。实验结果表明通过退火遗传算法能够稳定地用不同次数和控制顶点个数的NURBS曲线逼近型值点序列。     

散乱数据的曲面拟合及其在汽车车身外表面造型设计中的应用

根据车身外形曲面测量和拟合的要求，分析了散乱数据曲面拟合的Ｓｈｅｐａｒｄ、三角形剖分、Ｂ－ｓｐｌｉｎｅ最小二乘及Ｔａｙｌｏｒ逼近方法的各自特点，推导了计算模型并建立了软件系统，给出了用于车身外表面造型的实例     

一种基于遗传程序设计的数据拟合方法

提出了使用遗传程序设计来实现数据拟合的方法。用树的分层结构来进行个体染色体编码。给出了遗传操作算法框架以及选择、交叉、变异与种群评估算子的实现方法。通过计算实例表明遗传程序设计能有效地进行数据序列的复杂函数拟合,不需要对数据作深入的了解,在一定程度上实现了对数据变化规律的自动建模。     

基于最小二乘的曲面拟合算法研究

提出了一种基于最小二乘的曲面拟合算法,详细介绍了最小二乘法的原理和方法及其应用。采用该算法进行曲面拟合,使拟合的曲面具有精度高,光滑性好的优点。通过弗格森双三次曲面为研究模型来建立最佳的拟合参数。实验结果表明此算法具有良好的拟合效果,模拟曲面真实。目前利用最小二乘来处理拟合问题已经得到了广泛的应用。     

在多约束非线性优化问题上蚂蚁与遗传算法融合方法的研究

蚂蚁算法是通过信息素的累积和更新收敛于最优解上．针对初期信息素匮乏、求解速度慢的问题,将蚂蚁算法与遗传算法融合,采用遗传算法生成初始信息素分布,利用蚂蚁算法求精确解．该方法能有效地求得全局极小点或近似全局极小点．     

基于微粒群算法的lp数据拟合及其应用

在动态测试数据处理中,常常要进行稳健回归分析和最小最大值回归分析,讨论了微粒群算法及其在lp数据拟合中的应用.微粒群算法通过多个粒子在解空间中根据自身的信息和群体的信息不断调整自己的位置进行寻优,在寻优过程中粒子间不断地进行信息交流,使得算法收敛速度很快,特别适合用于函数优化,从而能够在lp数据拟合中得到很好的应用.实例计算结果表明,该方法能够更准确地进行lp数据拟合,理论上可以以任意逼近真实值,从而减小了计算误差,并且有更快的收敛速度,可以快速收敛到全局最优解,因而具有一定的理论意义和现实意义.     

基于改进遗传算法的连续函数优化

为了进一步避免连续函数优化过程中的早熟收敛和搜索迟钝,在简单遗传算法基础上提出了划分寻优区间、基于排序和最佳保留的轮盘赌选择算子,可以用来提高遗传算法的运行效率和收敛速度,达到了既能够选出最好个体又能够保证种群多样性的效果;同时采用择优交叉算子和二元变异算子,这样既保证了种群的收敛性,又可在陷入局部最优时为种群引入新基因。仿真实验表明,与简单遗传算法相比,改进后的遗传算法能有效地提高遗传算法的收敛速度和避免陷入局部最优。     

基于遗传算法的TOPSIS法研究

对传统的TOPSIS法进行改进,利用加速遗传算法去检验、修正判断矩阵,直接得到判断矩阵的一致性指标系数的层次分析法,确定了评价指标的权重,提高了TOPSIS法在实际应用中的科学性和合理性.并将该方法应用于联合收割机选型的实例,结果证实该方法与传统方法相比,评价值差异明显,更有利于决策.     

基于遗传算法优化的模糊神经网络车型识别

针对模糊神经网络中的隶属函数构造和推理规则建立两个难点,提出一种改进的遗传算法完成了隶属函数的自动生成和模糊规则的自动提取。其中采用的动态高斯变异算子,确保了进化初期有效地搜索解空间,进化后期则具有局部精确搜索的性能,提高了收敛速度,得到了精简稳定的模糊神经网络模型,并将其应用到客车车型的自动识别中,结果显示了该方法的有效性。     

惩罚函数结合遗传算法的PID参数优化

针对传统优化算法对PID参数优化时,由于目标函数选择不当出现的超调量过大,从而引起系统的反应速度变慢和稳定性变差的问题,提出以传统遗传算法为基础,引入惩罚函数的方法,根据系统中出现的超调量来构造新的目标函数实现对PID的参数优化。实验表明,该方法可以有效减少系统中的超调量,加快优化以及运行速度的同时保证系统的稳定性,实现对PID参数的优化。