基于SOM的散乱数据点集的B样条曲面重建

利用自组织映射神经网络(SOM)技术对散乱数据点集进行B样条曲面重建时,往往存在网络学习时间过长和学习效果不理想等问题。提出了一种新的神经元初始化方法和分块学习算法,该算法首先运用主元素分析方法(PCA)对散乱数据进行分块,将拓扑结构为四边形的输出层神经元初始化在每块散乱数据的最小二乘平面上进行网络学习和训练,将分块学习得到的各网格曲面拼接成一个整体;然后对该整体网格曲面的边界和内部单独学习,得到一张逼近待重建曲面的双线性B样条曲面;最后对该B样条曲面误差进行了修正。实例证明,该算法可以明显地减少SOM网络学习时间,并改善网络学习效果。     

基于散乱点集的曲面重建

基于散乱点集的曲面重建是计算机图形学和虚拟现实等领域的研究热点.在对基于散乱点集的曲面重建经典算法进行综述的基础上,较详细地讨论了基于成长型神经网络的曲面重建方法和基于法向量场的曲面重建方法.     

基于点云法矢变化的点云简化方法研究

为了提高实体反求的效率,提出一种点云快速简化方法。该方法基于空间六面体栅格分割点云,依据栅格的拓扑结构搜寻测量点的邻域点,并采用一种三角面片的加权算法估算出每个测量点的法矢,并由此计算出每一个测量点到微切平面的距离,通过设置相应的法矢角度及距离阈值来对点云进行简化。实验表明该方法能够明显提高数据简化的效率。     

基于八叉树的三维散乱数据点的法矢的估计

提出了一种基于八叉树的三维散乱数据点法矢估计的方法。该方法利用八叉树来建立散乱点之间的几何拓扑关系,从而可以方便,快速地搜索散乱点的ｍ领域点集。并引入阈值Ｔｈ来消除噪声的影响。计算这ｍ个领域点与该点组成的相交于该点的ｍ－１个三角形的法矢的均值,并作为该点法矢的估计。     

逼近散乱点云数据的三角形网格精确剖分

基于自组织特征映射神经网络构建的三角形网格模型可以实现测量点云 压缩后的Delaunay 三角逼近剖分,但该模型存在逼近误差和边缘误差。为减小三角形网格 的逼近误差和边缘误差,构建了精确逼近的三角形网格模型。首先采用整个测量点云,对三 角形网格模型中的所有神经元进行整体训练;然后对三角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;最后采用测量点云中的边界点集,对三角形网格模型中 的网格边界神经元进行训练。算例表明,应用该模型,可以有效减小三角形网格的边缘误差, 三角形网格逼近散乱点云的逼近精度得到大幅提高并覆盖散乱点云整体分布范围。     

基于SOM网络的三次B样条曲线重建

使用散乱点集重建曲线曲面,在逆向工程和计算机视觉中有着广泛的应用。提出基于SOM网络的三次B样条曲线重建算法。给定某一曲线散乱点集和一初始神经网络,优化SOM网络中神经元位置,使网络逼近散乱点和映射散乱点空间特征。用特征点反求三次B样条曲线控制点,利用控制点重建三次B样条曲线。试验结果表明,算法取得的曲线重建效果良好。     

散乱点云数据配准算法

提出一种以物体表面上不附加任何几何和拓扑信息的散乱点集为处理对象,自动进行点云数据配准的算法．该算法针对待配准的2组点云数据,根据测点及其邻域点估算每个点的曲面法矢,并对法矢方向进行调整,使其指向曲面的同一侧;然后计算各个测点的曲率．根据每个测点的曲率来识别出2组点云数据中可以匹配的点对集合。计算将每一个点对的法矢方向映射为一致的三维空间变换,采用几何哈希方法找出使得最多数量的点对法矢一致的变换,运用该变换将散乱点云作初次配准．以初次配准后的结果作为新的初始位置,将匹配点对集合中的所有点对采用最近点迭代法进行二次配准,从而实现了2组散乱数据的精确配准．应用实例表明,该算法效果良好．     

基于几何先验和深度学习的点云法矢估算

法矢是三维点云曲面最基本的几何属性.为解决传统几何估算子与基于学习技术中的问题,提出基于几何先验和深度学习的点云法矢估算方法.首先,使用一个多尺度曲面块选择方法保持点云的特征和细节,以降低后续深度网络的学习难度;然后,结合局部特征和几何先验知识设计一个法矢优化神经网络,输出精确点云法矢;最后使用合成模型数据和Microsoft Kinect V1扫描得到的真实模型数据进行验证,使用平均角度误差作为度量标准与主流方法进行对比,定量和定性分析结果表明文中方法在保持模型细节和噪声鲁棒性方面均明显优于对比方法.     

激光扫描点云法矢精确计算与表面光顺方法

为在光顺的同时保持特征,在精确计算点云表面法矢的基础上,提出附加约束的双边滤波器光顺方法.首先考虑激光扫描点云分布特点对其进行预采样处理,提高法矢估算初值的精度;然后利用抗差最小二乘拟合提高法矢估算精度,并基于拟合中误差和点间距离构造双边滤波器对法矢进行进一步修正,得到较为精确的法矢估算结果;最后通过分析传统双边滤波器存在的问题,引入"噪声度"概念,基于噪声度和点间距离构造双边滤波器,并附加法矢和预测距离以区分拐角特征.实验结果表明了方法的特征保持能力和高效性.     

一个利用法矢的散乱点三角剖分算法

曲面上散乱点的三角剖分在曲面重建中发挥着重要作用,借助于曲面上的法矢信息和三维Delaunay三角剖分算法,该文给出了一种新的散乱点三角剖分算法,输入一组散乱点以及所在曲面S在这些散乱点处的一致定向的法矢信息,该算法将产生一张插值散乱点的三角网格曲面M,并且曲面M可以近似地看成是曲面S的三角剖分,算法的主要步骤分为两步：首先通过曲面S的一致定向的法矢信息,在曲面S的同一侧添加辅助点,利用这些辅助点来剔除Delaunay三角剖分中产生的不需要的三角片;然后将剩余的三角片连接成一张完整的网格曲面,与基于中轴的三角剖分算法相比,该文算法需要更少和更简单的计算,与局部三角剖分算法相比,该文算法可以更有效地避免重建后的曲面产生自交,该文的算法可用于任意拓扑的光滑曲面重建。     

一种基于法矢修正的散乱点云数据平滑处理算法

在分析现有滤波方法局限性的基础上,提出了一种基于测量点法矢修正的散乱点云数据平滑处理方法,通过对特征区域和非特征区域采用不同的法矢修正方法,使光顺后的点云不但达到了非常光滑的效果,而且保持了点云的形状和特征。大量实例验证了该算法的可行性。     

一种基于SOM和PAM的聚类算法

提出了一种基于自组织映射（SOM）算法和围绕中心点的划分（PAM）算法相结合的SOM-PAM聚类算法。该算法首先利用SOM算法对数据集进行“粗聚类”并得到簇数k；然后，根据簇数k再利用PAM算法对“粗聚类”结果进行聚类并得到最终聚类结果。通过实验表明，SOM-PAM算法具有比SOM算法更高的聚类效率和更好的聚类质量。     

基于二次精简的散乱点云精简方法

在逆向工程中,点云精简是一个重要的步骤,精简的质量直接关系到后续曲面重构的效率。分析了常用的几种点云精简方法,并针对现有方法的不足,提出一种改进的方法。该方法使用 PCA主成分析法,利用点的k邻域点集拟合切平面,将点到该平面距离作为判断特征点的依据进行初始精简,再利用均匀网格的方法对初始精简后的点云进行重采样处理,保留部分关键特征点。通过初始精简和后期精简两步法完成对点云的精简步骤,并通过实验验证了该方法的有效性。     

基于混合AIS/SOM的入侵检测模型

针对异常检测信息获取不足的缺点,提出基于混合人工免疫系统(AIS)/自组织映射(SOM)的入侵检测模型。该模型采用人工免疫系统检测网络异常,对检测到的异常连接用自组织映射进行分类,应用KDDCUP99实验数据集进行仿真。结果表明该检测方法是有效的,能够将检测到的异常连接分类并给出异常连接的更多信息,检测和分类效率较高、误报率低。     

一种基于SOM和K means的文档聚类算法*

提出了一种把自组织特征映射SOM和Kmeans算法结合的聚类组合算法。先用SOM对文档聚类,然后以SOM的输出权值初始化Kmeans的聚类中心,再用Kmeans算法对文档聚类。实验结果表明,该聚类组合算法能改进文档聚类的性能。     

向量相似度可复原三维点云压缩算法

针对三维点云数据压缩中细节特征不易保留,模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题,提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量,按照三维坐标点的读入顺序选取参考向量,生成覆盖整个点云区域的采样区域,进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合,设置曲率阈值剔除坐标点,并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值,使得密集点云区域的压缩率高于非密集区域的压缩率,通过控制曲率阈值,使得低曲率区域的压缩率高于高曲率区域的压缩率,最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征,使得模型特征更加明显。     

基于遗传算法的点云数据配准

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。为此,提出一种基于遗传算法的线扫描点云数据配准方法。曲面线扫描点云数据同一表面的拓扑结构在不同视图下曲率变化趋势相同,根据该性质,利用遗传算法识别两点云数据集的重叠区域,并求解子集的坐标变换矩阵,完成配准。实验结果表明,与ICP算法相比,该方法的运行速度较快,且配准精度较高。     

结合SOM的关联规则挖掘研究

为了实现在海量数据中的审计线索的快速发现,通过数据挖掘FMA算法对被审数据和审计专家经验库进行关联规则快速提取;再利用自组织神经网络改良CLARANS算法对审计专家经验库抽取的规则划分出相似规则群;然后通过对被审单位关联规则集合和专家经验的相似规则群进行相对强弱、趋近率和价值率的比较,最终得到审计线索集合。