[发明专利]一种应用于三维工件模型分类的多层感知神经网络方法

权利要求书

1.本发明所设计的多层感知神经网络方法，其特征是：对三维工件模型进行识别分类，步骤如下：

步骤1：选取含有N类三维工件模型的数据集，所述的三维工件模型数据集包含训练三维工件模型X个，测试三维工件模型Y个，将所述数据集的三维工件模型的大小和格式统一设置为包含2048个点的三维点云数据；

步骤2：多层感知神经网络模型的第一层为输入层，其参数I₁＝a₁×b₁，设置a₁＝2048，b₁＝3；

步骤3：步骤2中所述的多层感知神经网络模型的第二层为多层感知器，其参数M₁＝a₂×b₂，设置a₂＝64，b₂＝64；

步骤4：步骤2中所述的多层感知神经网络模型的第三层为多层感知器，其参数M₂＝a₃×b₃×c₃，设置a₃＝64，b₃＝128，c₃＝1024；

步骤5：步骤2中所述的多层感知神经网络模型的第四层为池化层，其参数P₁＝a₄×b₄，设置a₄＝2048，b₄＝1；

步骤6：步骤2中所述的多层感知神经网络模型的第五层为全连接层，设置其输入参数FI₁＝2048，输出参数FO₁＝512；

步骤7：步骤2中所述的多层感知神经网络模型的第六层为全连接层，设置其输入参数FI₂＝512，输出参数FO₂＝256；

步骤8：步骤2中所述的多层感知神经网络模型的第七层为全连接层，设置其输入参数FI₃＝256，输出参数FO₃为步骤1中所述N；

步骤9：设置步骤2中所述多层感知神经网络模型的激活函数如公式(1)所示；

其中，x为R(x)函数的输入值；

步骤10：设置步骤2中所述多层感知神经网络模型的权重衰减函数如公式(2)所示；

其中，C表示校正后的权重，C₀表示原始的任意代价函数，ω表示模型的所有待训练的参数，λ表示正则项系数，n的大小为步骤1中所述X；

步骤11：设置步骤2中所述多层感知神经网络模型的梯度下降算法如公式(3)至公式(8)所示；

m_t＝μ_t*m_t-1+(1-μ_t)*g_t 公式(4)

其中，g_t表示梯度，μ_i、v表示动态因子，∏代表多个数连乘，m_t和n_t分别表示对梯度的一阶矩估计和二阶矩估计，分别表示g_t、m_t、n_t的校正；ε为常数确保分母不为0，η表示学习率，Δθ_t为矫正后的梯度；

步骤12：将步骤1中的X个训练三维工件模型导入步骤2至步骤11设置好的多层感知神经网络模型进行训练；

步骤13：将步骤1中的Y个测试三维工件模型导入步骤12中训练好的多层感知神经网络模型进行测试；

步骤14：在模型库中抽取待检测三维工件模型，用步骤13测试好的多层感知神经网络模型对所述的待检测三维工件模型进行识别分类，得到分类结果，分类识别结束。