[發明專利]一種應用于三維工件模型分類的多層感知神經網絡方法在審
| 申請號： | 201810761938.3 | 申請日： | 2018-07-11 |
| 公開（公告）號： | CN108960168A | 公開（公告）日： | 2018-12-07 |
| 發明（設計）人： | 宋麗梅;茹愿;郭慶華 | 申請（專利權）人： | 天津工業大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06N3/04;G06N3/08 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 300387 *** | 國省代碼： | 天津;12 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 多層感知神經網絡 三維工件 模型分類 應用 人工智能領域 分類結果 機器視覺 人工分類 人力成本 有效地 測試 消耗 分類 緩解 | ||
1.本發明所設計的多層感知神經網絡方法，其特征是：對三維工件模型進行識別分類，步驟如下：
步驟1：選取含有N類三維工件模型的數據集，所述的三維工件模型數據集包含訓練三維工件模型X個，測試三維工件模型Y個，將所述數據集的三維工件模型的大小和格式統一設置為包含2048個點的三維點云數據；
步驟2：多層感知神經網絡模型的第一層為輸入層，其參數I1＝a1×b1，設置a1＝2048，b1＝3；
步驟3：步驟2中所述的多層感知神經網絡模型的第二層為多層感知器，其參數M1＝a2×b2，設置a2＝64，b2＝64；
步驟4：步驟2中所述的多層感知神經網絡模型的第三層為多層感知器，其參數M2＝a3×b3×c3，設置a3＝64，b3＝128，c3＝1024；
步驟5：步驟2中所述的多層感知神經網絡模型的第四層為池化層，其參數P1＝a4×b4，設置a4＝2048，b4＝1；
步驟6：步驟2中所述的多層感知神經網絡模型的第五層為全連接層，設置其輸入參數FI1＝2048，輸出參數FO1＝512；
步驟7：步驟2中所述的多層感知神經網絡模型的第六層為全連接層，設置其輸入參數FI2＝512，輸出參數FO2＝256；
步驟8：步驟2中所述的多層感知神經網絡模型的第七層為全連接層，設置其輸入參數FI3＝256，輸出參數FO3為步驟1中所述N；
步驟9：設置步驟2中所述多層感知神經網絡模型的激活函數如公式(1)所示；
其中，x為R(x)函數的輸入值；
步驟10：設置步驟2中所述多層感知神經網絡模型的權重衰減函數如公式(2)所示；
其中，C表示校正后的權重，C0表示原始的任意代價函數，ω表示模型的所有待訓練的參數，λ表示正則項系數，n的大小為步驟1中所述X；
步驟11：設置步驟2中所述多層感知神經網絡模型的梯度下降算法如公式(3)至公式(8)所示；
mt＝μt*mt-1+(1-μt)*gt 公式(4)
其中，gt表示梯度，μi、v表示動態因子，∏代表多個數連乘，mt和nt分別表示對梯度的一階矩估計和二階矩估計，分別表示gt、mt、nt的校正；ε為常數確保分母不為0，η表示學習率，Δθt為矯正后的梯度；
步驟12：將步驟1中的X個訓練三維工件模型導入步驟2至步驟11設置好的多層感知神經網絡模型進行訓練；
步驟13：將步驟1中的Y個測試三維工件模型導入步驟12中訓練好的多層感知神經網絡模型進行測試；
步驟14：在模型庫中抽取待檢測三維工件模型，用步驟13測試好的多層感知神經網絡模型對所述的待檢測三維工件模型進行識別分類，得到分類結果，分類識別結束。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于天津工業大學，未經天津工業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810761938.3/1.html，轉載請聲明來源鉆瓜專利網。
