[發(fā)明專利]一種基于云模型的小波神經(jīng)網(wǎng)絡(luò)三維模型分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910878841.5
• 申請(qǐng)日: 2019-09-18
• 公開(kāi)（公告）號(hào): CN110619364B
• 公開(kāi)（公告）日: 2022-08-16
• 發(fā)明（設(shè)計(jì)）人: 高雪瑤;李佳偉;張春祥
• 申請(qǐng)（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.基于云模型的小波神經(jīng)網(wǎng)絡(luò)三維模型分類方法，其特征在于，該方法包括以下步驟：

步驟1：提取三維模型的幾何屬性，包括質(zhì)心到表面隨機(jī)點(diǎn)的距離D1、兩個(gè)隨機(jī)點(diǎn)之間的距離D2、三個(gè)隨機(jī)點(diǎn)所形成三角形面積的平方根D3、四個(gè)隨機(jī)點(diǎn)所組成四面體體積的立方根D4、不同位置的直徑長(zhǎng)度SDF和各個(gè)頂點(diǎn)的高斯曲率GC，建立特征數(shù)據(jù)集；

步驟2：由于形狀特征選取具有隨機(jī)性，存在重復(fù)項(xiàng)，故將各特征向量轉(zhuǎn)化為更具有代表性、更簡(jiǎn)短的特征，以此提高分類效率；具體步驟為：

步驟2-1統(tǒng)計(jì)D1、D2、D3、D4、SDF與GC中各元素出現(xiàn)頻率；

步驟2-2計(jì)算各元素與其對(duì)應(yīng)頻率的乘積，重新構(gòu)造形狀特征向量D1’、D2’、D3’、D4’、SDF’和GC’；

其中：

D1'＝[p(D1(1))*D1(1),p(D1(2))*D1(2),...,p(D1(10000))*D1(10000)]

D2'＝[p(D2(1))*D2(1),p(D2(2))*D2(2),...,p(D2(10000))*D2(10000)]

D3'＝[p(D3(1))*D3(1),p(D3(2))*D3(2),...,p(D3(10000))*D3(10000)]

D4'＝[p(D4(1))*D4(1),p(D4(2))*D4(2),...,p(D4(10000))*D4(10000)]

SDF'＝[p(SDF(1))*SDF(1),p(SDF(2))*SDF(2),...,p(SDF(10000))*SDF(10000)]

GC'＝[p(GC(1))*GC(1),p(GC(2))*GC(2),...,p(GC(10000))*GC(10000)]

其中，p(D1(i))為D1的第i個(gè)元素出現(xiàn)的頻率；p(D2(i))為D2的第i個(gè)元素出現(xiàn)的頻率；p(D3(i))為D3的第i個(gè)元素出現(xiàn)的頻率；p(D4(i))為D4的第i個(gè)元素出現(xiàn)的頻率；p(SDF(i))為SDF的第i個(gè)元素出現(xiàn)的頻率；p(GC(i))為GC的第i個(gè)元素出現(xiàn)的頻率；

步驟2-3將各形狀特征根據(jù)其元素出現(xiàn)頻率以高頻率為根結(jié)點(diǎn)，低頻率為葉子結(jié)點(diǎn)構(gòu)造二叉樹(shù)，使用深度后序遍歷選取數(shù)據(jù)，將各形狀特征數(shù)目從10000降為5000；

其中，使用深度后序列遍歷是因?yàn)槿~子結(jié)點(diǎn)是由頻率較低的形狀特征元素構(gòu)成，更能體現(xiàn)模型之間的差別；

步驟3：使用云模型將各特征數(shù)據(jù)轉(zhuǎn)換為云模型表征的定性概念，表示為模型云特征；具體步驟為：

步驟3-1將每一種降維后的形狀特征轉(zhuǎn)換為云模型表征的定性概念，表示為模型云特征，即將每一種形狀特征轉(zhuǎn)化為以期望值Ex、熵En和超熵He表示的云模型；

其中，n為每一種形狀特征的樣本容量，S為每一種形狀特征的方差；

步驟3-2使用軟或方法將多種特征整合為用一組期望值Ex、熵En和超熵He表示的云模型；

軟或計(jì)算公式如下：

He₃＝max(He₁,He₂)；

步驟4：將模型云特征作為神經(jīng)網(wǎng)絡(luò)的輸入，選取大量三維模型的特征及其類別作為訓(xùn)練數(shù)據(jù)，選取足夠多的三維模型的特征數(shù)據(jù)及其類別作為測(cè)試數(shù)據(jù)；

步驟5：訓(xùn)練過(guò)程包括前向傳播和反向傳播兩個(gè)過(guò)程，在前向傳播過(guò)程中，將訓(xùn)練數(shù)據(jù)的云特征輸入到小波神經(jīng)網(wǎng)絡(luò)中，得到分類輸出，在反向傳播過(guò)程中，將網(wǎng)絡(luò)輸出的分類結(jié)果與真實(shí)類別相比較，不斷優(yōu)化小波神經(jīng)網(wǎng)絡(luò)各層之間的權(quán)值，經(jīng)過(guò)多次訓(xùn)練之后，得到優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)；

步驟6：測(cè)試過(guò)程為前向傳播過(guò)程，將測(cè)試數(shù)據(jù)的云特征輸入到優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)中，輸出結(jié)果為三維模型所對(duì)應(yīng)的分類。