基于RBF混合神经网络的自由曲面特征重构的研究

论文摘要

特征造型技术是CAD/CAM集成系统的关键技术之一,是产品模型设计的核心。在利用当前基于历程的特征造型系统进行产品的设计和修改过程中,特征重构技术尤其重要。重构的效率将随着模型复杂程度的提高呈线性增长,现有的特征造型系统中所用到的重构技术基本上都是基于规则形状特征的,随着特征造型技术的发展,涉及到不规则曲面的问题越来越多,对其进行重构新的几何模型所需的时间将会更长且模型重构的效率不高。这已成为一个亟待解决的问题。为了能够正确维护设计者的设计意图和满足用户的需求,本文针对目前的特征造型中只包含少数（如棱柱形和圆柱形）规则图形,并且在大样本空间下,对测量散乱点曲面建模的精度不高的问题,结合神经网络技术与特征重构技术,进行了深入的研究,其主要工作如下:1.分析了语义特征造型的基本理论及特征的表示方法。引进了自由曲面特征,以HUST-CAID（哈尔滨理工大学计算机辅助工业造型设计系统）语义特征造型系统为例,阐述了自由曲面特征的设计、创建过程及重构顺序。2.提出特征造型中基于神经网络的自由曲面重构机制,采用层次性划分和模块化的思想,创建了基于RBF的混合神经网络（RBFMNN）模型。通过RBFMNN对大样本集的训练来实现特征提取,大大提高了曲面重新建模的精度,增强特征重构的鲁棒性和容错性。3.为了减少自由曲面特征重构的冗余数据,提高重构效率并将三维模型的拓扑描述转为神经网络中的矢量数据,本文对重构数据预处理做了详细的研究,提出了重构数据预处理的改进算法或方法。4.对自由曲面特征重构方法进行优化,并制定了重构精度评价方案。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.1.1 CAD 技术的演进
• 1.1.2 CAD 造型技术
• 1.1.3 自由曲面造型技术的研究状况
• 1.1.4 曲面重构技术的现状
• 1.1.5 HUST-CAID 系统概述
• 1.2 神经网络技术的发展
• 1.3 课题来源及研究内容
• 第2章 神经网络理论概述
• 2.1 引言
• 2.2 神经网络原理
• 2.3 神经元模型
• 2.4 神经网络模型
• 2.5 神经网络连接与学习方式
• 2.6 本章小结
• 第3章 特征重构技术分析
• 3.1 引言
• 3.2 特征概述
• 3.3 语义特征造型
• 3.3.1 语义特征造型的特点
• 3.3.2 语义特征造型中特征的表示方法
• 3.4 基于特征的重构技术综述
• 3.4.1 基于特征的数据获取
• 3.4.2 曲面重构中数据的预处理
• 3.4.3 曲面拟合的方法
• 3.5 基于HUST-CAID 系统的自由曲面特征创建与重构
• 3.6 本章小结
• 第4章 RBF 混合神经网络模型设计
• 4.1 引言
• 4.2 RBFMNN 模型设计原理
• 4.2.1 径向基函数选定
• 4.2.2 RBF 结构的选定
• 4.3 RBFMNN 模型结构设计
• 4.4 RBFMNN 训练算法设计
• 4.4.1 划分样本空间算法
• 4.4.2 RBFMNN 子网的训练算法
• 4.4.3 RBFMNN 子网的增长与修剪
• 4.5 RBFMNN 训练算法步骤
• 4.6 本章小结
• 第5章 基于RBF 混合神经网络的自由曲面特征重构
• 5.1 引言
• 5.2 RBFMNN 样本数据预处理的研究
• 5.2.1 去除噪声点算法
• 5.2.2 数据修补方法
• 5.2.3 数据简化算法
• 5.3 RBFMNN 在曲面重构中的应用
• 5.4 重构精度评定方法的制定
• 5.5 仿真实验
• 5.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢