一种基于云模型的小波神经网络三维模型分类方法技术

本发明专利技术涉及一种基于云模型的小波神经网络三维模型分类方法。本发明专利技术首先对三维模型进行特征提取并对形状特征进行频率‑深度遍历降维；然后利用云模型将三维模型的特征转换为云模型表征的定性概念(模型云特征)；最后使用三维模型的云模型特征与模型类别训练小波神经网络。将三维模型的云特征输入到训练好的小波神经网络模型，并进行分类。本发明专利技术提供更准确高效的三维模型分类方法，提高了三维模型的分类效果。

A 3D model classification method of wavelet neural network based on cloud model

【技术实现步骤摘要】
一种基于云模型的小波神经网络三维模型分类方法
：本专利技术涉及一种基于云模型的小波神经网络三维模型分类方法，该方法在三维模型分类领域有很好的应用。
技术介绍
：随着三维建模技术以及计算机视觉的不断发展，三维模型分类工作受到了许多学者的关注。三维模型分类在工业和工程中有着重要的应用，其分类效果好坏与实际生产有紧密的联系。在三维模型分类中，存在一些常见的方法，例如：提取B-Rep边界特征，构建基于边界特征的无向图，利用子图匹配算法来进行三维模型分类。但是，传统的算法存在着一些缺点和不足。当三维模型比较复杂时，所提取的B-Rep数据规模较大，算法的匹配效果就会很差。近年来，机器学习中的神经网络算法已被应用到模型分类领域。神经网络是当前机器学习算法中的主要网络模型。使用云模型将三维模型的模糊性与不确定性融合进特征构造中，即使用云模型来表征每个三维模型。其中，云模型是使用期望值Ex(Expectedvalue)、熵En(Entropy)和超熵He(Hyperentropy)来进行表示。然后，利用期望值Ex(Expectedvalue)、熵En(Entropy)和超熵He(Hyperentropy)以及模型类别来构成训练数据集对网络进行训练。利用训练好的小波神经网络对三维模型进行更为精准的分类。神经元的权值是共享的，使神经元可以共享资源，降低了网络模型的复杂度。使用小波函数对神经网络权值进行调节。因此，可以很好地融合云模型和小波神经网络进行三维模型分类。此外，还对形状特征进行频率-深度遍历降维，以防止过拟合。r>
技术实现思路
：为了解决三维模型分类领域存在的问题，本专利技术公开了一种基于云模型的小波神经网络三维模型分类方法。为此，本专利技术提供了如下技术方案：1.基于云模型的小波神经网络三维模型分类方法，其特征在于，该方法包括以下步骤：步骤1：提取三维模型的几何属性，包括D1(质心到表面随机点的距离)、D2(两个随机点之间的距离)、D3(三个随机点所形成三角形面积的平方根)、D4(四个随机点所组成四面体体积的立方根)、SDF(不同位置的直径长度)和GC(各个顶点的高斯曲率)，建立特征数据集。步骤2：由于形状特征选取具有随机性，存在重复项，故将各特征向量转化为更具有代表性、更简短的特征，以此提高分类效率。步骤3：使用云模型将各特征数据转换为云模型表征的定性概念(模型云特征)。步骤4：将模型云特征作为神经网络的输入。选取大量三维模型的特征及其类别作为训练数据，选取足够多的三维模型的特征数据及其类别作为测试数据。步骤5：训练过程包括前向传播和反向传播两个过程。在前向传播过程中，将训练数据的云特征输入到小波神经网络中，得到分类输出。在反向传播过程中，将网络输出的分类结果与真实类别相比较，不断优化小波神经网络各层之间的权值。经过多次训练之后，得到优化后的小波神经网络。步骤6：测试过程为前向传播过程。将测试数据的云特征输入到优化后的小波神经网络中，输出结果为三维模型所对应的分类。2.根据权利要求1所述的基于云模型的小波神经网络三维模型分类方法，其特征在于，所述步骤1中，具体步骤为：步骤1-1利用工具提取三维模型的形状特征D1(质心到表面随机点的距离)；步骤1-2利用工具提取三维模型的形状特征D2(两个随机点的距离)；步骤1-3利用工具提取三维模型的形状特征D3(三个随机点所形成三角形面积的平方根)；步骤1-4利用工具提取三维模型的形状特征D4(四个随机点所组成四面体体积的立方根)；步骤1-5利用工具提取三维模型的形状特征SDF(不同位置的直径长度)；步骤1-6利用工具提取三维模型的形状特征GC(各个顶点的高斯曲率)；将形状特征D1、D2、D3、D4、SDF与GC作为三维模型的泛性特征。3.根据权利要求1所述的基于云模型的小波神经网络三维模型分类方法，其特征在于，所述步骤2中，具体步骤为：步骤2-1统计D1、D2、D3、D4、SDF与GC中各元素出现频率；步骤2-2计算各元素与其对应频率的乘积，重新构造形状特征向量D1’、D2’、D3’、D4’、SDF’和GC’；其中：D1'＝[p(D1(1))*D1(1),p(D1(2))*D2(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))为D1的第i个元素出现的频率；p(D2(i))为D2的第i个元素出现的频率；p(D3(i))为D3的第i个元素出现的频率；p(D4(i))为D4的第i个元素出现的频率；p(SDF(i))为SDF的第i个元素出现的频率；p(GC(i))为GC的第i个元素出现的频率。步骤2-3将各形状特征根据其元素出现频率以高频率为根结点，低频率为叶子结点构造二叉树。使用深度后序遍历选取数据，将各形状特征数目从10000降为5000。其中，使用深度后序列遍历是因为叶子结点是由频率较低的形状特征元素构成，更能体现模型之间的差别。4.根据权利要求1所述的基于云模型的小波神经网络三维模型分类方法，其特征在于，所述步骤3中，具体步骤为：步骤3-1将每一种降维后的形状特征转换为云模型表征的定性概念(模型云特征)，即将每一种形状特征转化为以期望值Ex(Expectedvalue)、熵En(Entropy)和超熵He(Hyperentropy)表示的云模型；其中，n为每一种形状特征的样本容量，S为每一种形状特征的方差。步骤3-2使用软或方法将多种特征整合为用一组期望值Ex、熵En和超熵He表示的云模型。软或计算公式如下：He3＝max(He1,He2)5.根据权利要求1所述的基于云模型的小波神经网络三维模型分类方法，其特征在于，所述步骤4中，选取数据集，具体步骤为：步骤4-1根据三维模型的云特征和模型类别，生成基于云特征的三维模型数据；步骤4-2随机抽取1000个三维模型作为训练模型，并随机抽取100个三维模型作为测试模型。6.根据权利要求1所述的基于云模型的小波神经网络三维模型分类方法，其特征在于，所本文档来自技高网...

【技术保护点】
1.基于云模型的小波神经网络三维模型分类方法，其特征在于，该方法包括以下步骤：/n步骤1：提取三维模型的几何属性，包括D1(质心到表面随机点的距离)、D2(两个随机点之间的距离)、D3(三个随机点所形成三角形面积的平方根)、D4(四个随机点所组成四面体体积的立方根)、SDF(不同位置的直径长度)和GC(各个顶点的高斯曲率)，建立特征数据集。/n步骤2：由于形状特征选取具有随机性，存在重复项，故将各特征向量转化为更具有代表性、更简短的特征，以此提高分类效率。/n步骤3：使用云模型将各特征数据转换为云模型表征的定性概念(模型云特征)。/n步骤4：将模型云特征作为神经网络的输入。选取大量三维模型的特征及其类别作为训练数据，选取足够多的三维模型的特征数据及其类别作为测试数据。/n步骤5：训练过程包括前向传播和反向传播两个过程。在前向传播过程中，将训练数据的云特征输入到小波神经网络中，得到分类输出。在反向传播过程中，将网络输出的分类结果与真实类别相比较，不断优化小波神经网络各层之间的权值。经过多次训练之后，得到优化后的小波神经网络。/n步骤6：测试过程为前向传播过程。将测试数据的云特征输入到优化后的小波神经网络中，输出结果为三维模型所对应的分类。/n...

【技术特征摘要】
1.基于云模型的小波神经网络三维模型分类方法，其特征在于，该方法包括以下步骤：
步骤1：提取三维模型的几何属性，包括D1(质心到表面随机点的距离)、D2(两个随机点之间的距离)、D3(三个随机点所形成三角形面积的平方根)、D4(四个随机点所组成四面体体积的立方根)、SDF(不同位置的直径长度)和GC(各个顶点的高斯曲率)，建立特征数据集。
步骤2：由于形状特征选取具有随机性，存在重复项，故将各特征向量转化为更具有代表性、更简短的特征，以此提高分类效率。
步骤3：使用云模型将各特征数据转换为云模型表征的定性概念(模型云特征)。
步骤4：将模型云特征作为神经网络的输入。选取大量三维模型的特征及其类别作为训练数据，选取足够多的三维模型的特征数据及其类别作为测试数据。
步骤5：训练过程包括前向传播和反向传播两个过程。在前向传播过程中，将训练数据的云特征输入到小波神经网络中，得到分类输出。在反向传播过程中，将网络输出的分类结果与真实类别相比较，不断优化小波神经网络各层之间的权值。经过多次训练之后，得到优化后的小波神经网络。
步骤6：测试过程为前向传播过程。将测试数据的云特征输入到优化后的小波神经网络中，输出结果为三维模型所对应的分类。


2.根据权利要求1所述的基于云模型的小波神经网络三维模型分类方法，其特征在于，所述步骤1中，具体步骤为：
步骤1-1利用工具提取三维模型的形状特征D1(质心到表面随机点的距离)；
步骤1-2利用工具提取三维模型的形状特征D2(两个随机点的距离)；
步骤1-3利用工具提取三维模型的形状特征D3(三个随机点所形成三角形面积的平方根)；
步骤1-4利用工具提取三维模型的形状特征D4(四个随机点所组成四面体体积的立方根)；
步骤1-5利用工具提取三维模型的形状特征SDF(不同位置的直径长度)；
步骤1-6利用工具提取三维模型的形状特征GC(各个顶点的高斯曲率)；
将形状特征D1、D2、D3、D4、SDF与GC作为三维模型的泛性特征。


3.根据权利要求1所述的基于云模型的小波神经网络三维模型分类方法，其特征在于，所述步骤2中，具体步骤为：
步骤2-1统计D1、D2、D3、D4、SDF与GC中各元素出现频率；
步骤2-2计算各元素与其对应频率的乘积，重新构造形状特征向量D1’、D2’、D3’、D4’、SDF’和GC’；
其中：
D1'＝[p(D1(1))*D1(1),p(D1(2))*D2(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))为D1的第i个元素出现的频率；p(D2(i))为D2的第i个元素出现的频率；p(D3(i))为D3的第i个元素出现的频率；p(D4(i))为D4的第i个元素出现的频率；p(SDF(i))为SDF的第i个元素出现的频率；p(GC(i))为GC的第i个元素出现的频率。
步骤2-3将各形状特征根据其元素出现频率以高频率为根结点，低频率为叶子结点构造二叉树。使用深度后序遍历选取数据，将各形状特征数目从10000降为5000。
其中，使用深度后序列遍历是因为叶子结点...

【专利技术属性】
技术研发人员：高雪瑶，李佳伟，张春祥，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙;23