基于RBF神经网络NURBS的散乱数据点自由曲面重建

根据径向基函数(RBF)神经网络可以用任意精度逼近任何非线性函数,以及强大的抗噪、修复能力等优点,该文采用RBF神经网络模型进行自由曲面重构,建立了适合曲面重构的径向基函数网络模型。进行了理论分析,并在非均匀有理B样条(NURBS)曲面上做了仿真试验。结果表明:该模型不仅能够有效地逼近不完善的、带有噪声的曲面,而且学习速度很快,提高了对破损、不完全曲面重建的效率和精度,得到的曲面光顺性好。     

基于Kohonen神经网络的B样条曲面重构

探讨了三维散乱数据点的自由曲面自组织重构方法。建立了基于自组织特征映射神经网络的矩形网格重构模型及其训练算法。所建模型利用神经元对曲面散乱数据点的学习和训练来模拟曲面上点与点之间的内在关系,节点连接权向量集作为对散乱数据点集的工程近似化并重构曲面样本点的内在拓扑关系。通过该方法不仅能够对无规则散乱数据点进行逼近,并且通过该方法得到的曲面也可以作为后继曲面重构的初始曲面。仿真实验表明,所建神经网络模型可实现三维密集无规则数据点的曲面自组织重构集自压缩于一体。     

基于RBF神经网络的点云数据曲面重建快速算法

在分析现有重构方法局限性的基础上,给出了一种基于神经网络的点云数据重构三维网格形状的快速算法。首先对点云数据进行归一化处理;然后进行特征线提取,并以特征线为基础对曲面进行分割。该方法能直接从神经网络的权值矩阵得到曲线的控制顶点或曲面的控制网格,通过神经网络的权值约束实现曲线段或曲面片之间的连接。实验结果表明,使用该方法能快速获得形状良好的网格曲面。     

平行断层轮廓线的RBF隐函数曲面造型

将基于径向基函数（Radial Basis Function,RBF)的隐函数插值技术应用于平行断层轮廓线的曲面造型，由于RBF造型方法以曲面能量最小化为目标，因此能够生成较为光滑的曲面，其缺点是计算量较大，文中提出以分段进行曲面重构的局部RBF技术来降低问题的规模和复杂度，并提出相应的快速隐函数多边形化的算法，实验结果表明，该算法是一个较实用的造型方法。     

基于样本相似度曲面重构的核函数构造

根据数据特征构造核函数是当前SVM(支持向量机)的难点，文章采用重构数据样本相似度曲面的方法构造三种新的核函数．证明前两种核是Mercer核，并且讨论了三种核的存在性、稳定性和唯一性．指出核函数的本质是表达相似性的工具，核函数与Mercer条件、正定性、对称性互为非充分非必要条件．仿真研究表明，本核函数对学习样本本身的分类是完美的，而且其泛化能力优于传统核函数的SVM．     

基于遗传算法和梯度下降的RBF神经网络组合训练方法

在使用基于梯度下降的径向基函数（RBF）神经网络学习方法时，由于网络目标函数误差曲面极其复杂，因而产生了网络收敛速度慢，且容易陷入局部极小，网络初始值的设置对网络训练结果影响很大等问题。基于遗传算法的训练方法能够摆脱陷入局部最优的困扰，但遗传算法的局部搜索能力不够，从而影响网络的训练效果。为了解决上述问题，在研究两种算法特点的基础上，提出一种组合训练方法，用提出的训练方法对UCI中的部分数据集进行了仿真实验，并将实验结果与传统方法下的结果进行了比较，实验结果表明新方法是有效的。     

基于B样条的平面轮廓重构闭合曲面算法

由一组平行轮廓线重构三维闭合表面是三维可视化研究的主要内容之一。文中通过对B样条插值算法的研究,提出了一种新的公共节点矢量确定方法,利用该方法首先对经过预处理的CT牙齿图片提取轮廓线获得三维数据点,之后对轮廓线数据点进行B样条曲线的拟合,在每条拟合曲线上根据所确定的节点矢量值重新采样,由重新采样的三维数据点利用B样条曲面插值算法构造闭合曲面．所构造的闭合曲面是对原始轮廓数据的拟合。通过实例验证可看出该方法可获得较好的拟合曲面,经过误差分析检测,满足拟合条件,因此该方法可以保证几何重建的准确性。     

残缺网格模型的快速B样条曲面重建

针对残缺的三角网格模型,提出一种将网格模型的散乱数据点转化为有序阵列点再进行B样条曲面快速重建的算法.首先确定最小二乘平面上的一个矩形参数域,再构造出一个平面阵列点列,并部分映射到三维网格上;然后利用空间阵列点的邻域信息估计4个角点的空间坐标,并构造径向基函数曲面,用于补充空间阵列点列中残缺的数据;最后利用有序点列拟合的高效性构造B样条曲面.实验结果表明:该算法速度快、拟合精度高、鲁棒性强,重建的曲面具有良好的光顺性和可延伸性,适用于逆向工程中对经过数据分割后的网格模型的自由曲面重建.     

基于RBF神经网络曲线重构的算法研究

提出一种基于径向基(RBF)函数神经网络的曲线重构学习方法,即由描述物体轮廓特征的样本点作为RBF神经网络的学习样本,利用RBF神经网络强大的函教逼近能力对样本点进行学习和训练,从而仿真出包含这些样本点的原始曲线,同时对于曲线一些样本点缺少的情况下,仍然能构通过调整参数训练得到这些样本点的原始拟和曲线.实验表明,基于径向基(RBF)函数的神经网络具有很强的物体边界描述能力和缺损修复能力.     

离散点重构车身曲面的一种方法

基于激光无触点式三坐标测量仪所测得的曲面离散数据点 ,论文给出了一种用双三次B样条曲面插值来重构车身曲面的方法。该方法首先介绍B样条曲线和曲面的插值算法 ,接着对曲面离散点进行预处理 ,最后对离散点进行曲面插值。论文所生成的曲面网格 ,不仅适用于车身曲面设计 ,而且能用作车身覆盖件冲压仿真计算有限元模型     

基于K0honen网络和OLS算法的RBFNN中心选择方法

提出了一种优化选择径向基神经网络数据中心的算法,该算法结合了Kohonen网络的模式分类能力,将初步分类结果用作RBFNN的初始数据中心,然后采用OLS算法进行优化,对比仿真实验表明该算法效果比单独使用OLS算法生成的RBFNN性能更好。     

基于RBF神经网络辅助的自适应UKF算法研究

卡尔曼滤波能在测量噪声干扰下对系统状态进行无偏估计。但无论是扩展卡尔曼滤波（EKF）算法,还是无轨迹卡尔曼滤波（UKF）算法,都无法避免滤波发散现象。给出利用径向基函数(RBF)神经网络的自适应调整能力来对卡尔曼滤波输出进行校正,从而避免输出发散的算法。计算机模拟和实际应用表明,基于RBFNN的卡尔曼滤波算法可以有效防止输出发散。     

数字信号调制识别的RBFNN分类器算法研究与实现

提出了一种新的用于数字信号调制识别的径向基函数神经网络（RBFNN）分类器算法。该算法采用减法聚类算法和最小均方算法实现了对隐含层中心点个数及位置和输出层权值系数的自适应训练。此算法能够综合考虑所有特征参量,能够在多维空间内找到最佳分界面;同时,解决了隐含层中心点个数及位置的盲目性和随机性的问题。仿真实验表明,在相同特征参量情况下,该算法能够有效提高正确识别率。     

基于锥束CT的两类三维表面重构方法比较研究

目前锥束CT的三维重构主要采用面绘制,其方法有两类,即体素级重构和切片级重构。在对比两类方法的基础上,提出了一种新的二维切片轮廓重构与三维表面重构相结合的切片级重构方法,然后以标准MC算法和该算法分别对两个实例进行重构并比较。结果表明,该算法更适合工业产品的三维表面重构。     

基于RBF神经网络的传感器静态误差综合校正方法

以一受环境温度和电源波动影响的压力传感器为例,说明了具体实现方法和校正效果.并与采用BP神经网络进行误差校正的方法进行了比较.实验结果表明,采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器静态误差,校正效果优于BP神经网络.     

改进的OLS算法选择RBFNN中心的方法

提出了一种优化选择径向基神经网络数据中心的算法,该算法结合了Kohonen网络的模式分类能力,将初步分类结果用做RBFNN的初始数据中心,然后采用OLS算法进行优化选择,对比仿真实验表明该算法效果比单独使用OLS算法生成的RBFNN性能更好。     

基于表面法向差分近似的表面重建新算法*

提出一种基于表面法向差分的四向加权形状重建算法。该方法利用不同表面法向差分方法的重建核函数所具有的互补特性,通过对不同重建结果的四向线性加权可以克服经典重建矩阵的奇异性,并能增加算法的抗噪能力。     

基于RBF神经网络建立税务预测模型的研究

简要地介绍了RBF神经网络的结构及训练算法，并分析了影响税收的一些主要因素。在此基础上提出了基于RFB神经网络的税收预测模型。实验及仿真结果说明了模型的有效性。     

Training algorithms for Radial Basis Function Networks to tackle learning processes with imbalanced data-sets

Nowadays, many real applications comprise data-sets where the distribution of the classes is significantly different. These data-sets are commonly known as imbalanced data-sets. Traditional classifiers are not able to deal with these kinds of data-sets because they tend to classify only majority classes, obtaining poor results for minority classes. The approaches that have been proposed to address this problem can be categorized into three types: resampling methods, algorithmic adaptations and cost sensitive techniques.Radial Basis Function Networks (RBFNs), artificial neural networks composed of local models or RBFs, have demonstrated their efficiency in different machine learning areas. Centers, widths and output weights for the RBFs must be determined when designing RBFNs.Taking into account the locally tuned response of RBFs, the objective of this paper is to study the influence of global and local paradigms on the weights training phase, within the RBFNs design methodology, for imbalanced data-sets. Least Mean Square and the Singular Value Decomposition have been chosen as representatives of local and global weights training paradigms respectively. These learning algorithms are inserted into classical RBFN design methods that are run on imbalanced data-sets and also on these data-sets preprocessed with re-balance techniques. After applying statistical tests to the results obtained, some guidelines about the RBFN design methodology for imbalanced data-sets are provided.