利用GSOM网络实现散乱点云的区域分割

提出了一种改进的动态自组织特征映射(GSOM)神经网络算法,实现逆向工程中点云的区域分割,以数据点的坐标、估算出的法矢量和曲率构成的8维向量作为神经网络的输入,在训练中动态生成网络结构,克服了现有SOFM网络需要预先给出分区数目的限制,网络生成的结点数少、聚类速度快.最后通过实例实现了数据点云的区域分割,验证了该方法的正确性.     

人体散乱点云数据的区域分割算法

正确的人体点云数据分析不仅是人体3D测量的必要手段,更是未来服装数字化设计的基础,也是服装定制化智能生产的数据来源。人体散乱点云数据相比规整数据拥有更多的噪声及不规则性,这使得提取轮廓以及提取分割特征点更加困难。为了解决人体散乱点云数据分割难题,提出了基于移动最小二乘的切割算法。首先使用主成分分析法进行点云数据的调整,并使用夹角分析法提取投影到特定平面的二维轮廓。在此基础上,采用移动最小二乘法对部分二维数据点进行局部拟合并根据导数信息提取分割特征点。最后,利用VT K作为点云显示平台,对不同人体点云数据进行算法验证。实验结果表明,该分割方法实用可靠。     

用神经网络解决二维不规则零件的排料问题

提出一种新的算法,利用自组织人工神经网络解决二维不规则零件的排料问题。此算法运算速度快,与ＣＡＤ软件接口方便,对样条及零件的内空白区域均能加以处理,而且它的适用范围广,具有较大的实用价值     

基于自组织特征映射神经网络的零件图像的识别

提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法，首先，对零件图像进行小波多尺度边缘检测，提取零件图像的边缘轮廓；然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量，各子区域中的相对边缘像素系数作为零件的特征，将这些特征作为神经网络的输入样本，由自组织特征映射神经网络实现识别。实验结果表明该方法是有效的。     

基于神经网络的回转窑火焰图像分割

回转窑火焰图像的正确分割对于提取回转窑工况参数具有重要的意义。本文研究了多层感知器、径向基函数网络、学习向量量化网络和自组织特征映射网络等四种神经网络在回转窑火焰图像分割中的应用。选取火焰图像的归一化色彩值作为训练样本,分别采用有导师学习和无导师学习两种方法进行训练。对实测图像进行分割的结果表明,本文提出的方法很有效。     

SOFM神经网络在电动机故障诊断中的应用

研究了SOFM神经网络的结构及学习算法,提出了将SOFM网络应用于电动机故障模式分类,并据此对故障进行诊断的方法.经实例分析证明,该方法可对电动机的多个故障进行有效诊断.     

用神经网络解决二不规则零件的排料问题

提出一种新的算法,利用自组织人工神经网络解决二维不规则零件的排料问题,此算法运算速度快,与ＣＡＤ软件接口方便,对样条及零件的内容白区域的能加以处理,而且它的适用范围广,具有较大的实用价值。     

复合神经网络在柴油机故障诊断中的应用

以自组织特征映射网络SOM(Self-Organizing Feature Mapping)和误差反向传播网络BP(Back Propagation)为理论基础,提出了SOM-BP神经网络模型,将某内燃机燃油系统故障及其相关参数作为训练样本,通过仿真试验,验证了复合神经网络在柴油机故障诊断中的正确性和精确性.     

基于改进的SOM神经网络在水质评价分析中的应用

随着人们对水资源环境的日益重视,各种水质评价方法层出不穷.传统的水质评价方法多采用精确的数学模型进行描述,无法很好的反映水环境中存在的复杂非线性关系,从而影响整体评价结果.因此,本文提出采用一种改进的自组织特征映射神经网络(SOM)方法来进行水质评价,利用SOM神经网络能在无监督、无先验知识的状态下对样本进行自组织、自学习,实现对样本的评价与分类这一特点.通过引入主成分分析,解决SOM神经网络处理高维和相关性强的指标时出现的问题,提高网络收敛速度和聚类准确性.仿真结果表明:改进后的SOM神经网络能够直观准确地评价水体质量,反映水质整体状况.     

自组织神经网络在故障诊断中的应用

自组织特征映射具有自适应、自学习、自组织与联想功能,非常适合于无法进行监督学习庞大机器或系统故障诊断。本文将其应用于结构裂纹的诊断。     

逆向工程中自由曲面自组织重建研究

探讨了曲面密集三维散乱点数据的自由曲面自组织重建方法。建立了基于扩展自组织特征映射神经网络的自由曲面自组织重建模型及其训练算法。所建模型的网络神经元对曲面散乱点的学习来模拟曲面上的点与点之间的内在关系 ,神经元连接权矢量集重构曲面样本点的内在拓扑关系。经过训练 ,神经网络将整个曲面散乱点数据分成许多子区域 ,子区域的分类核心即为神经元连接权矢量 ,每个子区域用一个线性函数逼近 ,实现自由曲面自组织重建。计算机仿真表明 ,所建神经网络模型可实现三维密集散乱点数据自组织压缩及曲面自组织重建于一体。     

机械CAD三角网格模型的特征表面分割混合算法

针对机械CAD三角网格模型中普遍存在的网格稀疏性和非均匀性分布等特点，提出了一种特征的二次提取及表面分割混合算法。第一次分割采用基于边的方法，即在平面合并的基础上对相邻三角面片法矢夹角的方差进行判断和处理，从而实现平面与其他稀疏网格表面区域的分割和边界特征的提取；第二次分割采用基于顶点的方法，首先由顶点的估算曲率计算出各面片的近似曲率，然后通过区域生长实现其他表面区域的分割及特征提取。实验结果表明，该方法能较准确地实现机械CAD三角网格模型的特征提取和表面分割。     

三维模型特征识别中的分割与编码算法

三维模型特征识别是CIMS中的关键技术之一，用神经网络法解决三维模型的特征识别问题，具有鲁棒性，多重解释，根据例子学习、识别速度较快等许多优势势，基于凹凸变化产生特征的思想，根据底面、凹点、凹边等线索，对三维模型模型进行了合理的分割，找出三维模型特征可能存在的区域，并对该特征区域进行编码，将三维模型的拓扑信息，几休信息转化为神经网络能够处理的矢量数据，最后，再利用人工神经网络的学习与识别能力识别出模型的特征。     

神经网络在语义特征造型中的应用

相交特征识别是特征造型领域的一个难于解决的问题,成为CAD/CAM系统的一个瓶颈。神经网络的智能性和并行性使它成为相交特征识别的最新方法。在利用语义特征的扩展型面邻接图表达方法基础上,运用神经网络识别技术,提出并实现了相交特征的自识别技术,从而为相交特征识别提出了一种新的有效方法。     

散乱数据点云型面特征提取算法研究

提出一种新的散乱数据点云型面特征提取算法,该算法基于散乱数据点云的动态空间存取模型,应用WINDOWS APl和OpenGL技术拾取点云局部型面的曲率信息,根据点云型面特征的曲率性质,改进区域生长法实现产品点云型面特征的提取.实验证明该算法型面特征提取准确,可有效提高建模效率及重建模型精度.     

基于高斯映射的CAD网格法向聚类分割方法

网格模型特征的分割和识别,能够极大地提高复杂机械产品设计中模型重用、模型编辑的效率。由此,提出一种基于高斯映射的法向聚类CAD网格分割方法。对网格模型各面片法向进行高斯映射,建立各单元面片边连接邻域与高斯球面法向的对应关系。对各法向在高斯球面上进行k-means聚类分割,依据法向初始聚类类型和二面角阈值细化分割。将过分割的细小区域进行合并处理,根据各区域邻接矩阵及其类型的相似性进行特征识别和归并处理。本算法能够高效地对复杂机械产品的网格模型进行分割和识别,不受网格疏密的限制。     

[供应链调度]无反射板激光导航机器人地图创建的特征提取

针对无反射板激光导航机器人地图创建的直线特征提取,采用逐步分解的方法,将直线特征提取分为断点检测、线段分割、直线提取三个步骤逐步分离点集。首先采用自适应阈值法进行断点检测;然后基于迭代适应点算法进行点集分离、线段分割;最后采用最小二乘法拟合直线并结合区域搜索法进行优化,进一步提高直线特征提取的精度。实验表明,算法的重复定位精度在±6 mm以内,特征提取时间不大于0.02 s,满足机器人的实际导航需求。