快速成型切片数据的优化算法研究

为了能够顺利地进行 STL模型切片轮廓数据的进一步处理 ,提出了对切片数据进行优化处理的算法 .对由于STL模型的缺陷造成切片之后的轮廓信息数据有大量的冗余数据 ,提出了一种冗余数据的滤除算法 ;针对切片轮廓的不封闭 ,给出了有效的修正算法 ;同时给出了对切片轮廓的内外边界进行自动识别的算法 .该算法高效简单 ,提高了后续的数据处理的效率和成型件的加工质量 ,改善了零件成型的加工性能     

一种提高FDM三维打印系统成型效率的算法

目前,FDM三维打印系统制件加工时间比较长,成型效率较低。在权衡加工时间和加工精度的前提下,从切片层厚和层扫描速度控制的角度,提出了一种基于面积变化率的自适应切片层厚控制和基于周长变化率的自适应层扫描速度控制相结合的算法。首先通过二维轮廓面积变化情况计算每层切片数据的层厚值;然后用获得的层厚数据对模型进行切片,得到每层可打印的真实轮廓;最后计算每层二维多边形轮廓的周长,并根据周长的变化情况确定该层合适的扫描速度。实际打印测试结果表明,该算法可以有效降低打印时间,提高成型效率,验证了算法的有效性。     

一种改进的STL文件快速分层算法

高效的STL模型切片算法是快速成型制造的前提和基础,在有向加权图切片算法的基础上提出了一种快速STL模型切片分层算法,去除了耗时的有向加权图建立,对切片后的数据进行后处理,除去数据中的冗余点,从而提供了一种快速的STL模型切片算法。大量实验及数据表明,新算法具有较高的效率。     

STL模型特征面片自适应分层算法*

为获得聚苯乙烯泡沫塑料(EPS)异步快速成形机所需的加工路径,提出了一种基于特征面片的Stereolithography(STL)模型自适应分层算法。算法根据模型在分层方向上的特征面片和最小加工厚度来确定分层位置和切割平面,无需坐标变换,可沿任意方向直接获取切片两端截面轮廓信息。该算法采用了一种新方法快速分割边界面片,通过轮廓信息整理可得到点轮廓、非闭合环轮廓、闭合环轮廓。闭合环轮廓经三角化后,可封闭切片端面。本文算法均采用Visual C++ 6.0实现,经实验证明运行稳定有效。     

基于压缩体素模型的快速成型直接切片算法*

基于STL文件模型的间接分层切片算法存在缺乏拓扑信息, 面误差诊断修复困难等问题,结合压缩表示形式的体素模型特点,提出了一种新的基于压缩体素模型直接切片分层优化算法.该算法利用Dexel模型记录的Dexel射线和物体交点所表达的物体表面点位置,通过设定分层平面厚度等参数获得截面轮廓数据,生成可直接适用于快速成型系统的共用层接口CLI文件.该算法在虚拟油泥造型系统中得到了应用,实验结果表明算法稳定、分层效果良好.     

基于切片方法截面数据处理

为了提高后续截面轮廓重建的精度,提出了基于截面切片后数据处理的系列算法.首先用点云束细化算法对切片数据进行细化处理,采用类似于移动最小二乘法的跟踪方法,整个过程不对测量数据进行局部坐标变换,迭代步长由点云密度控制;将截面切片数据细化后,用双链表排序算法对细化后的数据进行排序处理;对截面测量数据的特征点提取,结合"角偏差法"和"弦高差法"的优点,研究了对提取特征点结果影响的几个主要因子,提出一种对冗余数据处理及特征点提取的方法,得到的点云数据可以进行很好的分组处理,并拟合成合适的轮廓特征单元.     

单幅人体切片图像的多轮廓二维重构算法研究与实现

基于切片图像数据的轮廓曲线二维重构是轮廓表面三维重构的基础。单幅切片图像可能存在有单轮廓或多轮廓。本文对中国虚拟人切片图像进行分析,针对单幅切片图像里的多轮廓线情况,研究提出了多轮廓提取算法和拟合曲线建模算法。经编程实验,成功实现了单幅图像里的多轮廓二维重构。     

三维CAD模型直接切片技术及其在快速成型中的应用

利用 Power SHAPE造型软件进行直接切片研究 ,以直线、圆锥曲线和三次 Bézier曲线作为直接切片轮廓描述的基本元素 ,以 PIC文件作为切片数据描述的接口标准 ,以 Auto Section宏获取任意复杂 CAD模型的直接切片轮廓描述数据 .以三次 Bézier曲线为例 ,研究曲边平面环域的光栅填充算法及其实现 .在此基础上 ,开发了直接切片数据处理软件 PDSlice,描述了该软件的主要输入 /输出数据接口以及 PIC模型重构方法 ,并将其成功地应用在自主研制成功的 HRPS- III型选择性激光烧结 (Selective L aser Sintering,SL S)快速成型系统中 ,制作了一批直接切片塑料件 ,取得了良好的效果 .文中的直接切片方法对微机械快速成型制件的精度保证具有重要的意义 .     

快速成型系统中自适应的直接切片算法的研究

为了解决CAD模型转换成STL模型时出现误差、均匀切片时加工时间和表面质量难以协调的问题,提出了自适应的直接切片算法.该算法调用商用软件中切片函数对模型直接切片,切片厚度选择采用自适应切片方法.首先求出能够表示模型垂直方向轮廓变化情况的参考曲线,然后在切片时根据参考曲线上各点处切线确定在该处的切片厚度.使用该算法避免了用三角面片逼近CAD模型时的误差,而且根据参考曲线上点的切线决定切片的厚度,不需要试切,在保证模型表面精度的同时提高了成型效率.     

基于面固化的快速微成型控制算法设计

针对基于面固化的快速成型技术应用于成型微小器件,设计了一整套的成型控制算法,包括CAD输出STL格式文件、VC环境下对其加载和显示算法,对STL模型的切片算法以及切片后截面轮廓的填充算法。分析了基于该控制算法,利用数字微反射镜器件(DMD)作为动态掩模板来实现面固化成型的制作方法的误差,并与传统的点固化成型法的制作误差进行了比较。结果表明,面固化成型法能够减小误差并提高成型速度,是一种有效的快速成型方法。     

基于时序聚类的北斗位置冗余数据压缩算法

在北斗用户机的位置数据采集过程中,容易出现数据冗余现象。为此,分析导致数据冗余的原因,提出一种基于时序聚类的冗余数据压缩算法。该算法采用基于密度的聚类方法将数据集进行分簇,把属于同一类运动特征的位置数据归为一类,根据簇直径判断该簇是否为冗余数据,并对冗余数据进行压缩。实验结果表明,该算法可以正确标识冗余数据,实现数据压缩。     

基于流形学习的极端学习机及其在人脸识别中的应用

极端学习机以其快速高效和良好的泛化能力在模式识别领域得到了广泛应用,然而现有的ELM及其改进算法并没有充分考虑到数据维数对ELM分类性能和泛化能力的影响,当数据维数过高时包含的冗余属性及噪音点势必降低ELM的泛化能力,针对这一问题本文提出一种基于流形学习的极端学习机,该算法结合维数约减技术有效消除数据冗余属性及噪声对ELM分类性能的影响,为验证所提方法的有效性,实验使用普遍应用的图像数据,实验结果表明本文所提算法能够显著提高ELM的泛化性能。     

冗余等待时间建模及匝道多目标协调控制

针对匝道等待时间描述中存在信息缺失的问题,结合排队论提岀了一种新的冗余等待时间概念并建模分析.以此为基础,给出了匝道多目标协调控制方程,并以径向基为核函数设计了一种基于支持向量机的匝道控制律求解方法,利用高速公路联络线转向城市快速路的高峰时段实例数据进行仿真.实验结果表明,与其它控制方法相比,所提的模型和算法在描述匝道状态和规避冗余等待等方面的效果更优.     

具有可控冗余度的虚拟机容错分配算法

在现代基于虚拟化的数据中心中,虚拟机分配是实现云中资源有效调度的首要考虑。已经证明对数据结点分配虚拟机并考虑虚拟机之间的通信延迟,使得最大通信延迟最小的问题是NP-hard问题。目前鲜有在数据中心网络虚拟机分配问题上考虑其安全性和可靠性的研究。针对虚拟机分配中的容错技术,提出了一种具有可控虚拟机冗余度的启发式分配算法。算法以最大通信延迟最小化为优化目标,在可利用的虚拟机集合中通过构造可控冗余度的团来分配处理数据结点。实验结果表明,在Tree、VL2、Fat-tree和BCube四种常用的网络结构中,提出的启发式算法能提供0-200%之间任意冗余度。同时,在冗余度介于0~40%时,虚拟机与数据结点的匹配时间平均降低了67.1%,并且算法运行时间平均降低了12.8%。     

基于粒子群的最大相关最小冗余混合式特征选择方法

在分析粒子群优化(PSO)算法和简化PSO算法的基础上,提出一种基于PSO的最大相关最小冗余的Filter-Wrapper混合式特征选择方法.Filter模型是基于互信息和特征的相关冗余综合测度,Wrapper模型是基于改进的简化粒子群算法.在PSO搜索过程中,引入相关冗余度量标准来选择特征子集,将Filter融合在Wrapper中,利用Filter的高效率和Wrapper的高精度提高搜索的速度和性能.最后以支持向量机(SVM)为分类器,在公共数据集UCI上进行实验,实验结果表明了所提出算法的可行性和有效性.     

基于三维模型轮廓解析的信息隐藏算法

针对基于信息隐藏技术的隐秘通信要求,提出利用模型纵向轮廓Z轴值的区间解析三维模型信息隐藏算法。算法首先将三维模型按固定大小与角度进行非比例缩放和旋转,经过水平映射得出纵向轮廓;其次将轮廓映射于二维坐标中,并进行固定步长的纵向取值;最后将取值结果按照固定阈值进行区间约束,转换为0/1数据。算法采用固定大小进行非比例缩放,可有效抵御缩放攻击;按照固定旋转角度和固定步长进行冗余嵌入,数据嵌入点存在于整个三维模型中,对剪切有很强的鲁棒性;另外,实验结果显示,算法对0.2%以下的随机加噪、重网格以及非均匀简化都具有较好的鲁棒性。     

数据集动态重构的集成迁移学习

目前很多数据挖掘和机器学习方法都有一个基本假设：训练数据和测试数据必须服从相同的分布。但是在很多情况下这种假设不成立,没有考虑分布差异的传统机器学习方法就不能正确分类了。提出了一种新的迁移学习方法DRTAT,对原训练数据进行动态分割重组,适时地淘汰冗余数据,并进行分类器的集成。通过在多个文本数据集和UCI数据集上进行测试,并与TrAdaboost算法进行比较,表明了算法的先进性。     

基于互信息的选择性集成核极端学习机

针对集成学习中的准确性和差异性平衡问题, 提出一种基于信息论的选择性集成核极端学习机. 采用具有结构简单、训练简便、泛化性能好的核极端学习作为基学习器. 引入相关性准则描述准确性, 冗余性准则描述差异性,将选择性集成问题转化为变量选择问题. 利用基于互信息的最大相关最小冗余准则对生成的核极端学习机进行选择, 从而实现准确性和差异性的平衡. 基于UCI 基准回归和分类数据的仿真结果验证了所提出算法的优越性.

     

基于特征内相关和互信息的加权SVM算法

特征加权支持向量机没有考虑特征间的相关性,因此产生的冗余会形成干扰并对最后的分类结果产生负面影响。为解决这个问题,提出了一种基于特征内相关和互信息的特征加权算法,并将其应用于支持向量机。该算法引入了特征间相关系数作为衡量冗余度的一个指标,以此计算出惩罚因子,在特征加权向量机的基础上对权值进行处理,尽可能真实地体现出特征对分类的贡献度。经过多个数据集以及几种不同算法的实验比较,提出的新算法具有更好的鲁棒性和泛化能力。     

一种新的最大相关最小冗余特征选择算法

传统的基于特征选择的分类算法中,由于其采用的冗余度和相关度评价标准单一,从而使得此类算法应用范围受限。针对这个问题,本文提出一种新的最大相关最小冗余特征选择算法,该算法在度量特征之间冗余度的评价准则中引入了两种不同的评价准则;在度量特征与类别之间的相关度中引入了4种不同的评价准则,衍生出8种不同的特征选择算法,从而使得该算法应用范围增大。此外,由于传统的最大相关最小冗余特征选择算法不能根据用户实际需求的数据维度进行特征选择。所以,引入了指示向量 $\lambda $ 来刻画用户实际的数据维度需求,提出了一种新的目标函数来求解最优特征子集,利用支持向量机对4个UCI数据集的特征子集进行了实验,最后,利用分类正确率、成对单边T检验充分验证了该算法的有效性。