[发明专利]一种基于云模型的小波神经网络三维模型分类方法有效
| 申请号： | 201910878841.5 | 申请日： | 2019-09-18 |
| 公开（公告）号： | CN110619364B | 公开（公告）日： | 2022-08-16 |
| 发明（设计）人： | 高雪瑶;李佳伟;张春祥 | 申请（专利权）人： | 哈尔滨理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/08 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 150080 黑龙*** | 国省代码： | 黑龙江;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明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。 | ||
| 搜索关键词： | 一种 基于 模型 神经网络 三维 分类 方法 | ||
【主权项】：
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
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于哈尔滨理工大学，未经哈尔滨理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910878841.5/，转载请声明来源钻瓜专利网。
- 上一篇：物料数据长描述对应小类名称分类方法
- 下一篇：一种落水检测方法
