基于神经网络的曲面参数化方法及装置制造方法及图纸

本发明专利技术涉及一种基于神经网络的曲面参数化方法及装置，属于曲面参数化技术领域，该方法包括：给定网格曲面S、网格曲面S上各个网格顶点的目标曲率；计算网格曲面S中各条网格边的权重、各个网格顶点对应的曲率；构建并训练神经网络，获取参数最优化的神经网络；获取网格曲面S上各个网格顶点的共形因子变化量；获取网格曲面S对应的二维网格的目标度量，将目标度量映射到二维参数域上。本申请提供的方法及装置通过参数最优化的神经网络获取网格曲面上各个网格顶点的共形因子变化量，从而获取网格曲面对应的二维网格的目标度量，并将目标度量映射到二维参数域上，避免了网格规模增大复杂程度的增加会影响计算误差以及计算时间成本的问题。成本的问题。成本的问题。

【技术实现步骤摘要】
基于神经网络的曲面参数化方法及装置


[0001]本专利技术涉及曲面参数化
，尤其涉及一种基于神经网络的曲面参数化方法及装置。

技术介绍

[0002]在现有的曲面参数化技术中，主要是通过迭代法求解离散Ricci流，根据求解结果判断把曲面铺到二维参数域，然而，随着信息科技的发展，需求的网格规模渐渐增大，高规格曲面的使用越来越多，现有的曲面参数化技术耗时长、映射变形的问题日渐显现。网格规模增大使得要计算的网格点数量增加，意味着要求解一个系数矩阵巨大的偏微分方程，复杂程度的增加会影响计算误差，这使得整个计算时间成本增加。

技术实现思路

[0003]本专利技术意在提供一种基于神经网络的曲面参数化方法及装置，以解决现有技术中存在的不足，本专利技术要解决的技术问题通过以下技术方案来实现。
[0004]本专利技术提供的基于神经网络的曲面参数化方法，包括：给定网格曲面S以及所述网格曲面S上各个网格顶点的目标曲率；计算所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率；通过所述网格曲面S上各个网格顶点对应的目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的曲面参数化方法，其特征在于，所述方法包括：给定网格曲面S以及所述网格曲面S上各个网格顶点的目标曲率；计算所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率；通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络；通过参数最优化的神经网络获取网格曲面S上各个网格顶点的共形因子变化量；通过共形因子变化量获取所述网格曲面S对应的二维网格的目标度量，并将目标度量映射到二维参数域上。2.根据权利要求1所述的基于神经网络的曲面参数化方法，其特征在于，所述网格曲面S上各个网格顶点的目标曲率满足Gauss
‑
Bonnet条件：，其中， 为源网格曲面S上网格顶点 v
i
对应的目标曲率，为源网格曲面S的欧拉示性数。3.根据权利要求1所述的基于神经网络的曲面参数化方法，其特征在于，通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络包括：构建可计算网格曲面S上各个网格顶点的共形因子变化量的神经网络；将所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率输入至所述神经网络，对所述神经网络进行训练，并获取训练得到的共形因子变化量；通过训练得到的共形因子变化量构建损失函数。4.根据权利要求3所述的基于神经网络的曲面参数化方法，其特征在于，通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络还包括：将所述损失函数输入至Adam优化优化器和随机梯度下降优化优化器的组合获取损失函数值；获取损失函数值最小时对应的神经网络的参数；将损失函数值最小时对应的神经网络作为参数最优化的神经网络。5.根据权利要求3所述的基于神经网络的曲面参数化方法，其特征在于，网格曲面S上各个网格顶点对应的共形因子变化量计算公式为：;其中，H是由所述网格曲面S中各条网格边的权重组成的的Hesse矩阵，n为网格曲面S上网格顶点的个数， 是网格曲面S上网格顶点 v
i
对应的共形因子变化量， 为源网格曲面S上网格顶点v
i
对应的目标曲率，为源网格曲面S上网格顶点v
i
对应的曲率。
6.根据权利要求3所述的基于神经...

【专利技术属性】
技术研发人员：庞宇飞，慕茹霜，刘杨，陈波，陈浩，谢冬香，胡月凡，滕凡，陈超，张千一，
申请(专利权)人：中国空气动力研究与发展中心计算空气动力研究所，
类型：发明
国别省市：