利用gsom網(wǎng)絡(luò)實(shí)現(xiàn)散亂點(diǎn)云的區(qū)域分割

《利用gsom網(wǎng)絡(luò)實(shí)現(xiàn)散亂點(diǎn)云的區(qū)域分割》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、利用GSOM網(wǎng)絡(luò)實(shí)現(xiàn)散亂點(diǎn)云的區(qū)域分割摘要：論文提出了一種新的自組織神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)生成算法，實(shí)現(xiàn)逆向工程中點(diǎn)云的區(qū)域分割，以數(shù)據(jù)點(diǎn)的坐標(biāo)、估算出的法矢量和曲率構(gòu)成的8維向量作為神經(jīng)網(wǎng)絡(luò)的輸入，在訓(xùn)練中動(dòng)態(tài)生成網(wǎng)絡(luò)結(jié)構(gòu)，克服了現(xiàn)有SOFM網(wǎng)絡(luò)需要預(yù)先給出分區(qū)數(shù)目的限制，網(wǎng)絡(luò)生成的結(jié)點(diǎn)數(shù)少、聚類速度快，最后通過實(shí)例實(shí)現(xiàn)了數(shù)據(jù)點(diǎn)云的區(qū)域分割，驗(yàn)證了該方法的正確性。關(guān)鍵詞：逆向工程；神經(jīng)網(wǎng)絡(luò)；自組織特征映射；數(shù)據(jù)分割中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：APoint-cloudsegmentationbasedonGSOMneuralnetworksYUShui-jingLIUDe-ping,LIUXiao

2、-yu,WANGYing-ying(MechatronicsinstituteofZhengzhouUniversity,Zhengzhou,China,)Abstract:Animproveddynamicself-organizationfeaturemapofneuralnetworks(GSOM)isputforward.Basedonthisalgorithm,theregiondivisionofpointcloudsinreverseengineeringisrealized,eightdimensionalfeaturevectorsincluding3-dimensional

3、coordinate,3-dimensionalnormalvectorand2-dimensional10curvaturearetakenasinputofthenetworks,theframeworkofnetworksisconstructeddynamicallyinmodeltraining.Comparedwithothertraditionalmethods,thisnovelmethodhasnonecessarytospecifiedthenumberofneuralnetworksegmentationinadvance,ithaslessknotsandconverg

4、esmorequickly.Thevalidityofthismethodisprovedbytherealexample.KeyWords:Reverseengineering,neuralnetworks,self-organizationfeaturemap，point-cloudsegmentation100引言從實(shí)物樣件出發(fā)獲得產(chǎn)品的數(shù)字化模型技術(shù)已經(jīng)成為CAD/CAM中一個(gè)相對(duì)獨(dú)立的范疇，稱為逆向工程（ReverseEngineering）[1]。逆向工程一般分為數(shù)據(jù)獲取、數(shù)據(jù)分割、曲面重構(gòu)和模型構(gòu)造四個(gè)階段。數(shù)據(jù)分割技術(shù)是把屬于同一子曲面類型的數(shù)據(jù)劃分成同一數(shù)據(jù)域,把測(cè)量數(shù)據(jù)分類

5、轉(zhuǎn)變?yōu)榍嬖煨蛿?shù)據(jù)，它是逆向工程幾何建模的難點(diǎn)和關(guān)鍵點(diǎn)。目前的數(shù)據(jù)分割方法主要有：基于邊的方法、基于面的方法和基于聚類的方法?；谶叺姆椒ǜ鶕?jù)數(shù)據(jù)點(diǎn)的局部幾何特征在數(shù)據(jù)點(diǎn)中檢測(cè)邊點(diǎn)，然后進(jìn)行邊點(diǎn)的連接構(gòu)成環(huán)，最后判斷點(diǎn)集是屬于環(huán)內(nèi)還是環(huán)外，從而實(shí)現(xiàn)數(shù)據(jù)分割?；诿娴姆椒ㄊ谴_定哪些點(diǎn)屬于某個(gè)曲面，在處理的過程中同時(shí)完成曲面擬合。10聚類的方法是通過矢量量化把局部幾何特征參數(shù)相似的數(shù)據(jù)點(diǎn)聚集為一類。利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)數(shù)據(jù)點(diǎn)云分區(qū)是目前逆向工程研究的熱點(diǎn)，不少學(xué)者對(duì)這方面已經(jīng)進(jìn)行了深入的研究。Kon[2]利用自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOFM）實(shí)現(xiàn)了數(shù)據(jù)分割，但其方法只處理單視圖的呈行列分布的數(shù)據(jù)。史桂

6、蓉[3]等用數(shù)據(jù)點(diǎn)的坐標(biāo)和法矢量構(gòu)成的6維矢量作為SOFM網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)了多視圖合并的散亂數(shù)據(jù)的區(qū)域分割。然而，目前方法的不足主要在于：首先SOFM網(wǎng)絡(luò)需要預(yù)先固定競(jìng)爭(zhēng)層的神經(jīng)元個(gè)數(shù)，即最多能夠有多少個(gè)類別，而分區(qū)數(shù)目取決于不同的處理對(duì)象，這使得傳統(tǒng)的SOFM網(wǎng)絡(luò)結(jié)構(gòu)在處理數(shù)據(jù)分割時(shí)有很大的局限性。而且這種結(jié)構(gòu)上的限制也大大影響了網(wǎng)絡(luò)的收斂速度。在這一問題上劉雪梅[4]等提出了一種多層自組織特征映射神經(jīng)網(wǎng)絡(luò)，可以解決競(jìng)爭(zhēng)層神經(jīng)元數(shù)目預(yù)先固定的限制，但是算法的效率有待提高。本文在D.Alahakon[5]等提出的動(dòng)態(tài)增長(zhǎng)自組織映射(GSOM,GrowingSelf-OrganizingMaps

7、）模型的基礎(chǔ)上提出了一種改進(jìn)的動(dòng)態(tài)自組織特征映射神經(jīng)網(wǎng)絡(luò)，應(yīng)用數(shù)據(jù)點(diǎn)云的坐標(biāo)、估算出的法矢量和曲率構(gòu)成的8維向量作為網(wǎng)絡(luò)的輸入，很好地解決了上述問題。1GSOM網(wǎng)絡(luò)Kohonen[6]的SOFM網(wǎng)絡(luò)由輸入層和競(jìng)爭(zhēng)輸出層組成。輸入層由個(gè)輸入神經(jīng)元組成，競(jìng)爭(zhēng)層由10個(gè)輸出神經(jīng)元組成，且形成一個(gè)二維平面陣列。該算法要求競(jìng)爭(zhēng)層的神經(jīng)元個(gè)數(shù)要預(yù)先指定，這種結(jié)構(gòu)上的限制大大影響了網(wǎng)絡(luò)的收斂速度。目前來說，解決