【正文】 hm is quite effective. Keywords： Curve Reconstruction。 Growing Cell Structures 。unanized data points。 dominant points。 Bspline 安徽建筑工業(yè)學(xué)院畢業(yè)設(shè)計 5 目錄 摘要 ............................................. 2 第一章 緒論 ...................................... 6 選題背景 .................................. 6 研究內(nèi)容 .................................. 7 論文結(jié)構(gòu)的安排 ............................. 7 第二章 成長型神經(jīng)網(wǎng)絡(luò)的基本理論 ................... 8 神經(jīng)網(wǎng)絡(luò)基本理論 ........................... 8 自組織（ SOM）神經(jīng)網(wǎng)絡(luò)模型 ................. 10 成長型（ GCS）神經(jīng)網(wǎng)絡(luò) ..................... 13 基于 SOM 神經(jīng)網(wǎng)絡(luò)的散亂數(shù)據(jù) B 樣條曲 面 重建算法 ............................................. 12 反求三次 B 樣條控制點 ...................... 12 ． 1 學(xué)習(xí)規(guī)則 . . . . . . . . . . . . . . . .12 反算算法 .. .. .. .. .. .. .. .. .. .. ..13 B樣條曲線 ................................ 13 第三章 詳細(xì)設(shè)計 ................................. 14 .................................. 14 重建算法 ................................. 17 程序?qū)崿F(xiàn) ................................. 19 安徽建筑工業(yè)學(xué)院畢業(yè)設(shè)計 6 實現(xiàn)算法 ............................. 19 運行結(jié)果 ............................. 21 ........................ 21 本章小結(jié) ................................. 25 第四章 總結(jié)和展望 ............................... 26 .............................. 26 今后工作展望 .............................. 26 參考文獻(xiàn) ........................................ 27 致謝 ............................................ 29 安徽建筑工業(yè)學(xué)院畢業(yè)設(shè)計 7 第一章 緒論 選題背景 在逆向工程中，對基于散亂數(shù)據(jù)點的曲線曲面重建研究被廣泛地應(yīng)用到機(jī)械制造、安全工程、火災(zāi)場景重建等領(lǐng)域。逆向工程的主要任務(wù)是由物理模型重建出幾何表示模型，通常包含 4個步驟：數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、曲面擬合和 CAD模型重建。其中 ,曲面擬合和 CAD 模型重建是逆向工程中最為重要的部分。Alrashdan 將逆向工程分成 3個主要步驟：零件數(shù)字化，特征提取， CAD 建模。其中，特征提取是通過點云分塊以及表面特征識別來完成的 3 。近年來，在逆向工程中，對特征提取問題的研究比較活躍。 G233。za K243。s 等對等半徑過渡特征曲面提取問題進(jìn)行了研究。 Lu 等對等 /變半徑過渡曲面特征提取進(jìn)行了研究。文獻(xiàn)只能針對比較規(guī)則簡單特征的提取。 Ke 等深入研究了點云切片算法和拉伸面特征的提取，算法近似求解 TSP,重建效果不是太理想。 Cheng 等提出基于遺傳算法的曲線重建，但不適合三維重建。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的廣泛應(yīng)用，使用神經(jīng)網(wǎng)絡(luò)實現(xiàn)特征提取逐漸成為一個熱門研究課題。 Jun 等研究了基于神經(jīng)網(wǎng)絡(luò)的棱柱特征，如邊、孔等的識別。 Xiao 等提出使用正交神經(jīng)網(wǎng)絡(luò)重建曲線，但當(dāng)點云具有明顯角點和較多噪聲數(shù)據(jù)時 ,文獻(xiàn)算法重建效果并不理想 . IVRISSIMTZIS 等提出使用成長型神經(jīng)網(wǎng)絡(luò)以三角面片為基元重建實體模型。該網(wǎng)絡(luò)不斷生長且網(wǎng)絡(luò)的拓?fù)淠芰己玫乇平y點的特征。 研究內(nèi)容 應(yīng)用三維掃描所得物體表面的散亂點集合進(jìn)行三維重建，已成為當(dāng)前計算機(jī)圖形學(xué)領(lǐng)域的一個熱門研究課題。本項目對基于神經(jīng)網(wǎng)絡(luò)的三維曲線曲面重建方法進(jìn)行研究，設(shè)計新的有效算法，既提高重建速度又提高模型對曲線曲面的逼近精度。研究成果對于促進(jìn)曲面曲線建模和真實感圖形繪制等技術(shù)的發(fā)展具有重要的理論意義，在機(jī)械制造、虛擬現(xiàn)實、逆向工程等領(lǐng)域具有良好的應(yīng)用前景。在本設(shè)計中， 提出基 于神經(jīng)網(wǎng)絡(luò)的曲線曲面重建算法。首先獲取散亂數(shù)據(jù)點的有序特征點：給定某一曲線的散亂點集和一初始神經(jīng)網(wǎng)絡(luò)，優(yōu)化網(wǎng)絡(luò)中神經(jīng)元的位置，安徽建筑工業(yè)學(xué)院畢業(yè)設(shè)計 8 使網(wǎng)絡(luò)更好地逼近散亂點 。持續(xù)分裂網(wǎng)絡(luò)中活動性強(qiáng)的神經(jīng)元和刪除活動性最弱的神經(jīng)元 ,使有序神經(jīng)元的分布更符合散亂點數(shù)據(jù)的概率分布。直至達(dá)到重建要求。 最后用特征點反求控制點，重建 B 樣條曲線。我在此大課題中承擔(dān)利用特征點反求控制點： 網(wǎng)上下載某些圖形的散亂點集作為研究與實驗對象。 首先獲取散亂數(shù)據(jù)點的有序特征點：給定某一曲線的散亂點集和一初始神經(jīng)網(wǎng)絡(luò)，優(yōu)化網(wǎng)絡(luò)中神經(jīng)元的位置，使網(wǎng)絡(luò)更好地逼近 散亂點 。持續(xù)分裂網(wǎng)絡(luò)中活動性強(qiáng)的神經(jīng)元和刪除活動性最弱的神經(jīng)元 ,使有序神經(jīng)元的分布更符合散亂點數(shù)據(jù)的概率分布。直至達(dá)到重建要求。 在實驗驗證方面，以 PC 機(jī)作為硬件平臺，采用 VC++、 OpenGL 和 M atLab等軟件開發(fā)包實現(xiàn)上述算法， y=sinxcos2x 散亂點數(shù)據(jù)進(jìn)行實驗，務(wù)求取得良好效果。 論文結(jié)構(gòu)的安排 本文重點討論 B樣條曲線重建研究的方法和現(xiàn)狀。介紹了神經(jīng)網(wǎng)絡(luò)的基本理論以及基于 SOM 網(wǎng)絡(luò)的曲線重建技術(shù)，在此基礎(chǔ)上提出了基于成長型神經(jīng)網(wǎng)絡(luò)的三次 B 樣條重建技術(shù)并用 VC++ 編程 實現(xiàn)該技術(shù)的算法過程，驗證了技術(shù)的可行性。 第一章 介紹了本次課題研究的開發(fā)背景和技術(shù)背景，對研究意義和主要研 究內(nèi)容做了闡述。 第二章 介紹了什么是神經(jīng)網(wǎng)絡(luò)、 SOM 神經(jīng)網(wǎng)絡(luò)和 GCS 神經(jīng)網(wǎng)絡(luò)模型，簡述了 基于 SOM 神經(jīng)網(wǎng)絡(luò)的散亂數(shù)據(jù) B樣條曲線重建算法。 第三章 詳細(xì)介紹了 利用特征點反求控制點的過程 。 第四章 對本次課題進(jìn)行總結(jié)，并對基于神經(jīng)網(wǎng)絡(luò)的重建技術(shù)未來發(fā)現(xiàn)的趨勢做了展望。 安徽建筑工業(yè)學(xué)院畢業(yè)設(shè)計 9 第二章 成長型 神經(jīng)網(wǎng)絡(luò)的基本理論 神經(jīng)網(wǎng)絡(luò)基本理論 神經(jīng)網(wǎng)絡(luò) (Neuron Netwon,NN)也可以叫做人工神經(jīng)網(wǎng)絡(luò)（ Artifical Neuron Network,ANN） 、人工神經(jīng)系統(tǒng)（ Artifical Neuron System,ANS） 、等。1988 年，美國神經(jīng)計算機(jī)專家 Heche Nielsen 曾經(jīng)給神經(jīng)網(wǎng)絡(luò)下了如下定義：神經(jīng)網(wǎng)絡(luò)是一個并行、分布處理結(jié)構(gòu)，由處理單元及成為連接的無向信號通道互連接而成。這些處理單元具有局部內(nèi)存，并可以完成局部操作。每個處理單元有一個單一的輸出連接，這個輸出可以根據(jù)需要被分支成希望個數(shù)的許多并行連接，且這些并行連接輸出相同的信號，即相應(yīng)處理單 元的信號，信號的大小不因分支的多少而變化。處理單元的輸出信號可以是任何需要的數(shù)學(xué)模型，每個處理單元中進(jìn)行的操作必須是完全局部的。 神經(jīng)網(wǎng)絡(luò)的基本處理單元是神經(jīng)元，它是一個多輸入，輸出的非線性器件，其結(jié)構(gòu)模型如圖 22 所示，模型的數(shù)學(xué)表達(dá)式為： ???? nijiijj xwfty1)()( ? (61) 式中， ),...,2,1( nixi ? 為神經(jīng)元 j的輸入信號， ijw 為該神經(jīng)元與第 i個輸入信號的連接權(quán)值， j? 為該神經(jīng)元的閾值， )(tyj 為該神經(jīng)元 t 時刻的輸出信號， )(?f 為激勵函數(shù)，其有多種形式。 安徽建筑工業(yè)學(xué)院畢業(yè)設(shè)計 10 圖 22 神經(jīng)元結(jié)構(gòu)模型 將可以并行操作的神經(jīng)元組成的集合稱為層，在此基礎(chǔ)上，將網(wǎng)絡(luò)結(jié)構(gòu)上用于輸入的最外層稱為輸入層，用于最終輸出層稱為輸出層，介于輸入層和輸出層之間的層稱為隱層。 從連接方式上看，神經(jīng)網(wǎng)絡(luò)主要有兩種：前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。前饋型網(wǎng)絡(luò)的各神經(jīng)元節(jié)點接受前一層的輸入，并輸出給下一層，沒有反饋。反饋型網(wǎng)絡(luò)的所有神經(jīng)元節(jié)點可同時接受輸入，并向外輸出。前饋型網(wǎng)絡(luò)主要是函數(shù)映射，可用于模式識別和函數(shù)逼近；反 饋型網(wǎng)絡(luò)主要作用于各種聯(lián)想存儲器和求解最優(yōu)化問題。 神經(jīng)網(wǎng)絡(luò)的工作過程主要分為兩個階段：第一階段是學(xué)習(xí)期，各隱層節(jié)點狀態(tài)不變，個連接權(quán)值可通過學(xué)習(xí)來修改；第二階段是工作期，連接權(quán)值固定，隱層節(jié)點狀態(tài)變化，以達(dá)到某種穩(wěn)定狀態(tài)。 神經(jīng)網(wǎng)絡(luò)的主要特征是具有向環(huán)境學(xué)習(xí)，獲取知識并改進(jìn)自身性能的學(xué)習(xí)能力，盡管神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法因結(jié)構(gòu)類型不同而互異，但共同之處在于網(wǎng)絡(luò)中的連接權(quán)值 ijw 可進(jìn)行調(diào)節(jié)以改進(jìn)網(wǎng)絡(luò)完成某項特殊任務(wù)的能力。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)通常由稱為訓(xùn)練樣本集的數(shù)據(jù)驅(qū)動，訓(xùn)練樣本的數(shù)據(jù)分為三類：第一類數(shù)據(jù) 由一組向量 dNii Rx ??1}{ 表示；第二類數(shù)據(jù)由一輸入向量 x和一輸出向量 y組成的數(shù)據(jù)集合 dNiii Ryx ??1},{ 表示， iy 通常被稱為希望值或目標(biāo)值；第三類數(shù)據(jù)無希望值或目標(biāo)值未曾給出。根據(jù)訓(xùn)練樣本集的數(shù)據(jù)類型可相應(yīng)地將網(wǎng)絡(luò)的學(xué)習(xí)方式分為三種：非監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。利用訓(xùn)練樣本數(shù)據(jù)實現(xiàn)對權(quán)值 ijw 的具體調(diào)節(jié)的公式稱為學(xué)習(xí)規(guī)則。 神經(jīng)網(wǎng)絡(luò)經(jīng)過六十多年的發(fā)展，已經(jīng)形成了十幾種網(wǎng)絡(luò)類型，其中有代表性