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。     

基于混合训练方法的RBF神经网络的曲面重构

根据径向基函数神经网络(RBFNN)具有很强的非线性逼近能力,以及强大的抗噪、修复能力等优点,讨论了目前神经网络训练方法,提出将径向基函数神经网络应用于带有噪声数据散乱数据点自由曲面的重构,并对该方法理论上的可行性和实践上的实用性进行了讨论和验证。结果表明：径向基函数网络用于曲面重构, 不仅能够有效地逼近不完善的、带有噪声的曲面,而且拟合精度高、网络的训练速度快,说明了径向基函数神经网络应用于曲面重构问题的可行性,为解决反向工程的技术关键——自由曲面重构提供了一个新的途径。     

基于隐式T样条的曲面重构算法

提出隐式T样条曲面，将T网格从二维推广到三维情形，同时利用八叉树及其细分过程，从无结构散乱点数据集构造T网格，利用曲面拟合模型将曲面重构问题转化为最优化问题；然后基于隐式T样条曲面将最优化问题通过矩阵形式表述，依据最优化原理将该问题转化成线性方程组，通过求解线性方程组解决曲面重构问题；最后结合计算实例进行讨论．该方法能较好地解决曲面重构问题，与传统张量B样条函数相比，能效地减少未知控制系数与计算量．     

T样条曲面在B样条曲面局部拼接中的应用

为解决相邻B样条曲面在局部拼接时由于曲面细分而加入冗余控制点的问题,利用T样条曲面良好的局部细分性,提出一种更有效的T样条曲面局部拼接法。将相邻B样条曲面精确转换为两张全行列T样条曲面;利用T样条曲面的局部均匀细分算法得到局部拼接边界上的一致性,在曲面上加入局部控制点;将局部细分后的曲面连续拼接为一张控制点更少的T样条组合曲面。与B样条曲面的细分拼接法相比,该方法在曲面细分时不加入任何冗余控制点,在局部拼接后能够得到一张更精简的组合曲面。     

基于B样条曲面的图象变形技术

Ｍｏｒｐｈｉｎｇ（变形）为图象处理领域比较引人注目的方法之一。本文利用Ｂ样条曲面方法构造Ｍｏｒｐｈｉｎｇ中的映射关系，使得变形过程更容易控制，也更灵活。文中样述了Ｍｏｒｐｈｉｎｇ的一般原理，建立了基于Ｂ样条曲面的映射关系，给出了算法的具体过程，并讨论了实际工作中遇到的一些问题。     

三次B样条插值曲面及其实现

目前在ＣＡＭ／ＣＡＭ的自由曲面构造方法中，较流行的有Ｂ样条曲面，Ｂｅｚｉｅｒ曲面、Ｂａｌｌ曲面等方法，但由这几种方法和成都是拟合曲面，而百插值曲面，常常不能满足一些工程实际中严格插值的要求，本文构造了一种自由插值曲面生成方法－Ｂ样条母线法，所生成曲面达到Ｃ＾２级光滑，适用机械，模具、汽车、造船等制造加工行业的复杂曲面设计。     

股骨解剖结构的B样条曲面重构

按照曲线复杂度定义,首先对复杂度最高的曲线进行最精简逼近,然后在一定控制精度下对轮廓线依据曲率特征进行重采样;对所有曲线进行基于曲率特征的重采样,并对曲线采用插值方法统一轮廓点数量;采用平均化的方法获得U,V方向的公共节点矢量,并通过插值的方法得到体积较小的曲面造型．避开了生成相容性轮廓线的过程,提高了曲面重构的效率．     

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。     

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。     

SOFM神经网络在处理非空间属性中的应用

由于非空间属性维数较高,空间聚类算法在处理非空间属性约束时难点首先在于如何为这些非空间属性设定参数,然后是哪些非空间属性在聚类中将起主要作用,并真正影响聚类的结果。对这些问题进行了讨论,并提出使用神经网络中自组织映射的方法来首先选择哪些非空间属性将被优先考虑,使用自组织特征映射（SOFM）方法对非空间属性聚类,最后把非空间属性和空间属性聚类进行合并得到最终的聚类结果的方法。     

基于模糊SOFM的网络入侵检测方法

针对目前入侵检测系统误报率过高、检测率不高和对未知入侵检测能力有限的缺陷,提出一种基于模糊SOFM的网络入侵检测方法,经训练后可形成一个稳定的神经网络系统,有效地识别网络正常行为和异常行为。采用KDD99数据集对系统进行实验,结果表明,系统在保持误报率低于3%的情况下,入侵检测率最高可以达到92%以上。     

基于代数张量积B样条的隐式曲面重构

提出一种以代数张量积B-样条曲面作为几何表示形式的方式,采用Sampson距离来度量数据点与曲面之间的误差,它不仅是几何距离的很好近似且具有齐性和刚体不变的良好性质.建立了近似几何误差和薄板能量极小化的最优化隐式曲面重构模型.同时结合最优化理论中的信赖域思想和拟牛顿法,给出自适应的选代求解算法及其实现.理论上由信赖域法的收敛性分析,迭代算法具有总体收敛性.最后基于散乱点数据集,给出曲面重构的实例,并作简单的讨论.     

一种新型神经网络在自由曲面重构中的应用

以层次划分和模块化为思想基础,提出了一种新型神经网络模型对自由曲面进行重构,即基于径向基函数（RBF）神经网络的混合网络模型。先后运用减聚类方法、正交最小二乘法、最大似然法对网络进行有无监督的混合训练,旨在解决大样本集的简化建模和快速训练问题,提高混合网络输出精度。实验结果表明该网络模型使得曲面的拟合精度有了明显提高。     

基于动态测点选择的温度状态识别

为实现对设备表面温度状态的实时识别及相关分析的智能决策化,引入了改进的层次分析法(AHP),动态地对设备表面多个监测点进行相关分析,选择出反映设备温度状态的关键测点,同时建立Kohonen自组织特征映射神经网络,对关键测点温度序列值进行一段时间的更新跟踪融合识别,获取关键测点的温度状态以此来表明设备的温度状态。以牵引电机为例,用Matlab软件仿真分析,识别正确率为89%,有效地降低了火灾发生的误报率。     

基于轮廓数据的B样条曲面重建

针对B样条曲面拟合中出现的问题和困难,提出了一种基于行组织的轮廓数据（截面数据）的曲面重建方法。该方法避免了数据点的参数化问题,使得逼近曲面拥有较好的形状和合理的控制顶点数量。该方法的基本思想是：首先构造易于控制的低阶曲面拟合数据点,此曲面称控制曲面,然后利用高次曲面逼近该曲面,此高次曲面称为逼近曲面,为所需要的重建曲面。在曲面重建中利用最佳平方逼近和光顺函数,减少了逼近曲面的控制顶点冗余,较有效地防止了逼近曲面的形状突变和曲面的扭曲,很大程度地提高了曲面的质量。     

基于自组织特征映射的图像压缩技术

计算机人工神经网络技术提供了新的图像压缩方法。自组织特征映射人工神经网络就能够用于图像的有损压缩。通过将图像分成若干小块,然后使用神经网络进行训练达到特征向量自动聚类,从而将这若干个图像块分成不同的类,其类别个数远小于图像块的个数,最后使用一个映射表保存这些信息。该方式,将图像中相同或者非常相似的部分归为一类,降低了信息冗余度,从而可以进行图像的有损压缩。该方法采用了计算机神经网络,有比较好的适应性,能够方便的和其它压缩技术结合实现效果更好的混合压缩,具有良好的推广价值。     

Kohonen SOFM神经网络及其演化研究

Kohonen SOFM神经网络广泛地应用于模式聚类、模式识别、拓扑不变性映射等方面。从KohonenSOFM神经网络结构和聚类算法入手,对其演化网络进行了比较分析,并从聚类算法性能的角度给予了综述。最后针对网络结构和算法的不足,指出了需进一步研究的方向。     

有监督Kohonen网络的车型识别方法

车型识别已成为智能交通系统研究中的一个重要内容.根据同类车型尺寸特征如长、宽、高特征值都具有相似性特点,利用已有车型数据库,分别使用逆传播(BP)神经网络、支持向量机(SVM)网络、有监督Kohonen网络这三种神经网络分类方法对车型尺寸特征进行分类,得到三个车型识别准确率并进行比较验证.实验结果表明:有监督Kohonen网络的分类方法具有较高的车型识别精度,实验效果明显,车型识别准确率高.