算法改进的自组织神经网络曲面重构

2012-09-02 08:35:08吴雪梅于广滨赵永强胡长胜李瑰贤

哈尔滨工业大学学报 2012年5期

吴雪梅，于广滨，赵永强，胡长胜，李瑰贤

(1.哈尔滨工业大学机电工程学院，150001哈尔滨;2.哈尔滨工业大学材料科学与工程学院博士后流动站，150001哈尔滨;3.哈尔滨理工大学机械动力学院，150080哈尔滨))

传统曲面重构方法存在局限性大及自适应能力差等缺点，例如:密集点云无法直接用NURBS拟合曲面;三角曲面片法对测量数据插值计算负荷大;拟合法中新控制网格构建困难等［1～3］.如果曲面局部数据缺失，建立模型更加困难［4～7］.

Kohonen神经网络的重要特点是保持临近关系的拓扑性质不变［8］，对解决自由曲面重构问题很有优势.提高网络的学习效率是本文研究的关键，提出了一种基于模糊聚类的自组织神经网络新算法.该方法具有较强的可操作性和实用性，计算量小，局部曲面的精确重构能力强，重构速度快，效率高.

1 改进的Kohonen神经网络相关参数选取及网络设计

Kohonen神经网络学习有几个至关重要的参数:增益项(学习率)η(t)、邻域半径Ng(t)以及输出层神经元数等.参数具体形式的选取将直接影响到网络的学习效率和效果.

在神经网络训练过程中，选取Kohonen神经网络输入层节点数为3，分别对应为随机输入样本(即散乱数据点)的三维位置坐标分量x、y和z.网络权值wij初始化为输出层神经元节点在空间的位置矢量，其维数等于网络输入样本的维数(本文中为3).

定义网络的输入为Xi=［，…］T，i=1，2，…，k;对应的竞争层神经元的输出响应为Oj，j=1，2，…，m;竞争层中的神经元j与输入层神经元之间的权矢量Wj=［,，…］T，j=1，2，…，m.