基于神经网络和稀疏表示的几何造型理论与方法研究

发布时间：2017-03-23 04:19

  本文关键词：基于神经网络和稀疏表示的几何造型理论与方法研究，由笔耕文化传播整理发布。

【摘要】：神经网络的随机权学习算法已成为近些年机器学习中的重要研究内容。稀疏表示与学习理论是目前信号处理、图像分析和模式识别领域的研究热点之一,研究基于神经网络和稀疏表示理论的几何造型的理论与方法具有重要的理论和实际意义。本论文基于神经网络学习理论和稀疏表示理论,探讨了其在几何造型方面的应用,并在此基础上以神经网络随机权学习算法为重点,结合稀疏表示和压缩感知相关理论,对基于神经网络和稀疏表示理论的曲面上曲线逼近、曲面上曲线混合、曲面重建等做了探索性和具有一定创新性的研究,主要内容包括:针对基于曲面上数据的曲线逼近,提出了基于随机权网络的曲面上曲线逼近算法,在学习过程中网络的内权和偏置值在一定范围内随机选取,而网络的外权则通过隐层输出矩阵的伪逆得到,并通过正则化方法提高求矩阵伪逆的稳定性。该方法显著提高了曲线的逼近精度。提出了球面上的曲线混合算法,通过构造适当的混合基函数来实现球面上曲线C0、C1和C2混合算法,并在此基础上,提出了改进的C1、G1球面上曲线混合公式,实现了用一次混合基函数得到了C1和G1混合曲线。提出了基于随机权神经网络的曲面重建算法。为进一步提高网络函数的逼近精度和提高所重建曲面的光滑性,我们在原有网络结构的基础上添加了一个低次多项式,得到了调和随机权网络,与传统的随机权网络相比,调和随机权网络无论在逼近精度还是曲面的光滑性方面都有所提高。针对噪声数据的曲面重建问题,提出了基于弹性随机权神经网络的高噪声数据的曲面重建算法,与传统的先对数据做去噪处理再进行重建的方法不同,该方法无需去噪处理,直接在噪声环境下进行曲面重建。通过对随机权网络的外权增加弹性惩罚项,来获得最节约模型,降低噪声对真实数据的影响,结合压缩感知优化算法求解弹性随机权网络外权,增强的求解过程的稳定性,实验结果表明,该算法即便在严重噪声干扰下仍能较好重建出曲面。给出了基于稀疏表示的点云数据的自适应删减算法,保持了点云数据的关键特征点。对于经过简化的点云数据,我们进一步提出了基于单位分解的隐式随机权网络的曲面重建算法,该算法除了具有良好的全局逼近性能外,还同时兼顾了局部逼近效果。提出了基于插值的球面上超曲面重建方法,利用球面三角化,构造球面基函数的轮廓曲线,通过轮廓曲线构造在插值点的附近范围内具有局部支撑的基函数。将球面上的三元插值函数写成球面上的插值点函数值和基函数的的组合形式,用球面上更多位置点处的函数值来逼近待求点的函数值。针对数据分布不均匀以及有噪声的情形下球面上超曲面重建问题,提出了基于随机权神经网络逼近的超曲面重建方法,让网络的内权在球面上随机选取,而网络的外权通过网络输出矩阵的伪逆来获得,并通过正则化参数以提高求解的稳定性,避免过拟合的发生。
【关键词】：几何造型 神经网络 稀疏表示 随机权 曲线混合 曲面重建 弹性网
【学位授予单位】：上海大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP183
【目录】：

• 摘要8-10
• ABSTRACT10-21
• 符号及缩写一览21-23
• 第一章 绪论23-53
• 1.1 课题来源23
• 1.2 研究背景和意义23-26
• 1.3 国内外研究现状26-49
• 1.3.1 几何造型26-27
• 1.3.2 曲线逼近与混合27-29
• 1.3.3 曲面重建29-34
• 1.3.4 超曲面重建34-35
• 1.3.5 神经网络35-39
• 1.3.6 稀疏表示39-49
• 1.4 本文研究的问题及结构49-53
• 1.4.1 主要研究内容49
• 1.4.2 内容组织49-53
• 第二章 曲面上曲线逼近与混合53-74
• 2.1 引言53-54
• 2.2 基于随机权网络的曲面上曲线逼近54-60
• 2.2.1 单隐层前向神经网络54-55
• 2.2.2 随机权网络学习训练算法55-56
• 2.2.3 基于正则化随机权网络的曲线逼近56-58
• 2.2.4 实验结果与分析58-60
• 2.3 球面上的曲线混合60-68
• 2.3.1 问题提出60-62
• 2.3.2 球面上的C0曲线混合62
• 2.3.3 球面上的C1曲线混合62-64
• 2.3.4 球面上的C2曲线混合64-65
• 2.3.5 实验结果与分析65-68
• 2.4 改进的球面上曲线混合68-72
• 2.4.1 几何连续性68-69
• 2.4.2 改进的球面曲线的C1混合69-70
• 2.4.3 球面曲线的G~1混合算法70-71
• 2.4.4 实验结果与分析71-72
• 2.5 小结72-74
• 第三章 基于随机权网络的曲面重建74-89
• 3.1 引言74
• 3.2 基于随机权网络的曲面重建算法74-77
• 3.3 基于调和随机权网络的曲面重建算法77-80
• 3.4 试验结果和分析80-88
• 3.5 小结88-89
• 第四章 基于弹性随机权网络的高噪声点云的曲面重建89-107
• 4.1 引言89
• 4.2 弹性网89-91
• 4.3 高噪声点云数据的曲面重建91-95
• 4.3.1 问题提出91
• 4.3.2 基于弹性随机权网络的曲面重建91-92
• 4.3.3 弹性网的求解算法92-95
• 4.4 实验结果与分析95-106
• 4.5 小结106-107
• 第五章 基于l1稀疏正则化的隐式曲面重建107-119
• 5.1 引言107
• 5.2 点云数据的分割107-108
• 5.3 基于l1稀疏约束的点云数据的自适应简化算法108-112
• 5.4 基于单位分解的隐式随机权网络的曲面重建112-116
• 5.5 实验结果与分析116-118
• 5.6 小结118-119
• 第六章 球面上超曲面重建119-137
• 6.1 引言119-120
• 6.2 基于插值的球面上超曲面重建120-128
• 6.2.1 问题提出120
• 6.2.2 球面三角化120-121
• 6.2.3 构造球面上基函数轮廓曲线121-124
• 6.2.4 构造球面上基函数124-126
• 6.2.5 球面上超曲面插值的实现126-127
• 6.2.6 试验结果与分析127-128
• 6.3 基于逼近的球面上超曲面重建128-136
• 6.3.1 问题提出128-129
• 6.3.2 基于正则化调和随机权网络的球面上超曲面重建129-130
• 6.3.3 实验结果与分析130-136
• 6.4 小结136-137
• 第七章 结论与展望137-140
• 7.1 结论137-139
• 7.2 展望139-140
• 参考文献140-163
• 攻读博士期间已经发表、完成的学术论文163-165
• 攻读博士学位期间所参与的项目165-166
• 致谢166-167

【参考文献】

中国期刊全文数据库 前10条

1 刘圣军;刘新儒;;快速Hermite径向基函数曲面重构[J];中国科学:信息科学;2014年11期

2 唐月红;李秀娟;程泽铭;钱明凤;;隐式T样条实现封闭曲面重建[J];计算机辅助设计与图形学学报;2011年02期

3 李重;金小刚;马利庄;Dereck Meek;;多项式混合曲线曲面方法构造[J];计算机辅助设计与图形学学报;2009年05期

4 WHANGBO TaegKeun;;Hermite variational implicit surface reconstruction[J];Science in China(Series F:Information Sciences);2009年02期

5 王念东;刘毅;肖军;;复合材料管状结构自动铺丝路径算法[J];计算机辅助设计与图形学学报;2008年02期

6 李道伦;卢德唐;孔祥言;吴刚;;径向基函数网络的隐式曲面方法[J];计算机辅助设计与图形学学报;2006年08期

7 曾海飞;刘志刚;林志航;;基于水平集的散乱数据点云曲面重构方法[J];西安交通大学学报;2006年05期

8 陈婧;刘旭敏;范彦革;;基于混合训练方法的RBF神经网络的曲面重构[J];计算机应用研究;2006年04期

9 杜佶,张丽艳,王宏涛,刘胜兰;基于径向基函数的三角网格曲面孔洞修补算法[J];计算机辅助设计与图形学学报;2005年09期

10 胡淼,杨勋年;保测地曲率的曲面曲线设计[J];计算机辅助设计与图形学学报;2005年05期

中国博士学位论文全文数据库 前6条

1 李伟涛;三角形网格上曲面重构研究[D];山东大学;2013年

2 莫X;基于隐式函数的曲面重构方法及其应用[D];华中科技大学;2010年

3 杜新伟;逆向工程中基于径向基函数的曲面重建技术研究[D];吉林大学;2009年

4 刘含波;基于散乱点云数据的隐式曲面重建研究[D];哈尔滨工业大学;2009年

5 贺美芳;基于散乱点云数据的曲面重建关键技术研究[D];南京航空航天大学;2006年

6 唐月红;CAD超曲面重构技术研究及其应用[D];南京航空航天大学;2001年

  本文关键词：基于神经网络和稀疏表示的几何造型理论与方法研究，，由笔耕文化传播整理发布。

本文编号：262930