变形基础学习制造技术

本发明专利技术尤其涉及一种计算机实现的机器学习方法。该方法包括提供3D建模对象的数据集。该方法进一步包括学习神经网络。神经网络被配置用于推断输入3D建模对象的变形基础。这构成了一种改进的机器学习方法。

【技术实现步骤摘要】
变形基础学习
本专利技术涉及计算机程序和系统的领域，并且更具体地涉及用于使3D建模对象变形的机器学习的方法、系统和程序。
技术介绍
市场上提供了用于对象的设计、工程和制造的多个系统和程序。CAD是计算机辅助设计的缩写，例如它涉及用于设计对象的软件解决方案。CAE是计算机辅助工程的缩写，例如它涉及用于模拟未来产品的物理行为的软件解决方案。CAM是计算机辅助制造的缩写，例如它涉及用于定义制造过程和操作的软件解决方案。在这样的计算机辅助设计系统中，图形用户界面在技术效率方面起着重要的作用。这些技术可以被嵌入在产品生命周期管理(PLM)系统内。PLM是指一种商业策略，其帮助公司共享产品数据、应用公共流程、以及利用企业知识进行从构思到产品生命结束的跨扩展企业构思的产品开发。由达索系统(以CATIA、ENOVIA和DELMIA为商标)提供的PLM解决方案提供了：工程中心，其组织产品工程知识；制造中心，其管理制造工程知识；以及企业中心，其实现企业集成和连接到工程中心和制造中心二者中。系统总共递送了链接产品、过程、资源的开放式对象模型，以实现动态的、基于知识的本文档来自技高网...

【技术保护点】
1.一种计算机实现的机器学习方法，所述方法包括：/n-提供3D建模对象的数据集；以及/n-学习被配置用于推断输入3D建模对象的变形基础的神经网络。/n

【技术特征摘要】
20200130 EP 20305081.01.一种计算机实现的机器学习方法，所述方法包括：
-提供3D建模对象的数据集；以及
-学习被配置用于推断输入3D建模对象的变形基础的神经网络。


2.根据权利要求1所述的方法，其中，所述神经网络包括：
-编码器，其被配置为将3D建模对象作为输入并且输出表示所述输入3D建模对象的潜在矢量，以及
-深度前馈神经网络，其被配置为：将由所述编码器输出的潜在矢量作为输入，并且输出由所述潜在矢量表示的3D建模对象的变形基础。


3.根据权利要求1或2所述的方法，其中，所述学习包括：针对所述数据集的至少一部分，使损失最小化，所述损失针对所述数据集的至少一部分的每个3D建模对象以及针对具有矢量的每个候选变形基础，惩罚所述3D建模对象按所述矢量的线性组合的变形与另一3D建模对象之间的距离。


4.根据权利要求3所述的方法，其中，所述学习是逐小批量执行的，并且包括：针对每个小批量，使所述损失最小化。


5.根据权利要求3或4所述的方法，其中，所述学习包括：基于距所述数据集的至少一部分的所述3D建模对象的距离，在所述数据集的至少一部分的3D建模对象之中选择所述另一3D建模对象。


6.根据权利要求5所述的方法，其中，所述另一3D建模对象是在所述数据集的至少一部分的3D建模对象之中的与所述数据集的至少一部分的所述3D建模对象最接近的3D建模对象。


7.根据权利要求6所述的方法，其中，所述学习是逐小批量执行的，并且包括：针对每个小批量，使所述损失最小化，并且在所述小批量的3D建模对象之中选择所述最接近的3D建模对象。


8.根据权利要求3至7中的任一项所述的方法，其中，所述损失惩罚所述3D建模对象按所述矢量的所述线性组合的所述变形与所述另一3D建模对象之间的距离的最小值。


9...

【专利技术属性】
技术研发人员：E·梅尔，
申请(专利权)人：达索系统公司，
类型：发明
国别省市：法国;FR