類神經網路理論於逆向工程曲面重建之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：13

、訪客IP：3.16.218.62

姓名

張加儒(Chia-Ru Chang) 查詢紙本館藏

畢業系所

機械工程學系

論文名稱

類神經網路理論於逆向工程曲面重建之研究

相關論文

★ 適應性類神經模糊控制器於泵浦系統之應用	★ 自調式類神經PID控制於超音波馬達之應用
★ 共模干擾對儀表放大器之可靠度分析	★ 自走式銲接機械手臂之遠端遙控
★ 三角網面為基礎之曲面設計系統發展與應用	★ 應用RBF類神經網路於超音波馬達之位置控制
★ 衛星星系於氣象觀測之設計與研究	★ 強健適應性類神經控制研究
★ 膨脹侵蝕法於影像內插運算與三維曲面重建之研究	★ Nanosat極微衛星電源系統規劃與分析
★ 應用類神經網路與模糊控制於泵浦量測系統的研究	★ 斷層影像之B-Spline 參數曲線與曲面重建研究
★ 低成本微衛星之氣象觀測任務與星系設計	★ 雙輸入雙輸出模糊控制於泵浦控制之研究
★ 平面影像之對齊與相似度評估	★ 應用基因演算法於模糊控制器設計之研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

本研究主要是探討，如何透過類神經網路之學習訓練，找出量測點資料之特徵點，並藉此建立其曲面之數學表示式。
在過去的研究中，點資料之描述可透過網格曲面以及參數曲面兩種方式。透過三角格網格建立原始點資料曲面的方法，雖能描述任何形狀之曲面，但必須耗費大量的系統資源。參數曲面中，利用數學函式為基礎之B-Spline曲面，可大幅改善此缺點，但其特徵點之選擇只能透過人工的方式選擇，且數量並無法確實掌握。
本研究是利用自組織映射圖（Self-Organizing Maps，SOM）網路，其無監督式學習之優點以及鄰近區域之概念，找出足以代表點群聚類特徵的網路拓撲，藉此當作特徵點，進行參數曲面重健，以改善網格曲面之缺點，以及參數曲面中特徵點選取之問題。
重建過程中，利用一維SOM網路進行曲面重建雖具有較快之學習速率，但無法描述不為排列整齊之點資料。二維SOM網路重建曲面則可以修正此問題，同時進一步利用參數調整與誤差修正方法，獲得不錯之重建結果。

關鍵字(中)

★ 參數曲面重建
★ 逆向工程
★ 類神經網路
★ 自組織映射圖網路

關鍵字(英)

★ Self-Organizing Maps
★ B-Spline
★ SOM
★ Surface reconstruction
★ Neural Netwok

論文目次

摘要 I
誌謝 II
目錄 III
圖目錄 VI
第一章緒論 1
1-1 前言 1
1-2 研究目的 3
1-3 研究方法 4
1-4 文獻回顧 5
1-5 論文結構 8
第二章逆向工程曲面重建理論 9
2-1 網格重建理論 10
2-1-1 迪氏三角網格（Delaunay Triangulation） 11
2-1-2 迪氏三角網格之曲面建立 12
2-2 參數曲面重建理論 15
2-2-1 B-Spline曲線演算法 16
2-2-2 B-Spline曲線之特殊性質 21
2-2-3 B-Spline曲面演算法 23
2-3 類神經網路於曲面重建之應用 25
第三章類神經網路理論 26
3-1 類神經網路介紹 27
3-1-1 神經元模型 27
3-1-2 激發函數種類 29
3-1-3 類神經網路基本架構 32
3-2 自組織映射圖（SELF-ORGANIZING MAPS）網路 34
3-2-1 SOM網路之基本概念 35
3-2-2 SOM網路架構 36
3-2-3 SOM網路演算法 37
第四章一維SOM網路曲面重建 40
4-1 重建概念 40
4-2 讀取STL檔案 42
4-2 一維SOM網路訓練 43
4-3 參數曲線與曲面重建 46
4-3-1 B-Spline曲線重建 46
4-3-2 B-Spline曲面重建 49
4-3-3 與原始點資料之比較 50
4-4 結果與討論 51
第五章二維SOM網路曲面重建 53
5-1 重建概念 53
5-2 二維SOM網路訓練 56
5-3 參數曲線與曲面重建 61
5-3-1 B-Spline曲線與曲面重建 61
5-3-2 與原始點資料之比較 62
5-3-3 參數調整 64
5-3-4 誤差修正 66
5-4 其他案例之重建分析 69
5-5 結果與討論 73
第六章結論與未來展望 74
6-1 結論 74
6-2 未來展望 76
參考文獻 78

參考文獻

[1] 鐘永彬, “三角網面為基礎之曲面設計系統發展與應用”,碩士論文, 中央大學機械工程研究所, 2001.
[2] 劉新民, “膨脹侵蝕法於影像內插運算與三維曲面重建之研究”,碩士論文, 中央大學機械工程研究所, 2002.
[3] Barhak, J. and Fischer, A., “Adaptive reconstruction of freeform objects with 3D SOM neural network grids”, Computer and Graphics, No. 26, pp. 745-751, 2002.
[4] Kohonen, T., “The self-organizing map”, IEEE Neurocomputing Vol. 21,pp. 1-6, 1998.
[5] Lee, K., ”Principles of CAD/CAM/CAE Systems”, Addison Wesley Longman, 1999.
[6] Watson, D.F., “Computing the n-dimensional Delaunay tessellation with application to Voronoi polytypes”, Computer Journal, Vol. 24, pp. 167-172, 1981.
[7] Golias, N.A. and Dutton, R.W., “Delaunay triangulation and 3D adaptive mesh generation”, Finite Elements in Analysis and Design, Vol. 25, pp. 331-341, 1997.
[8] Cox, M.G., “The numerical evaluation of B-splines”, Jour. Inst. Math. Applic., Vol. 10, pp.134-149, 1972.
[9] De, Boor., C., “On Calculating with B-splines”, Jour. Approx. Theory, Vol. 6, pp. 50-62, 1972.
[10] 劉景隆, ”斷層影像之B-Spline參數曲線與曲面重建研究” ,碩士論文, 中央大學機械工程研究所, 2003.
[11] Kohonen, T., Self-Organizing Maps. Berlin: Springer, 1997.
[12] Kim, D., Ahn, S. and Kang, D.S., “Co-adaptation of self-organizing maps by evolution and learning ”, IEEE Nurocomputing, Vol. 30, pp. 249-272, March 1999.
[13] Soylu, M., Kayaligil, S., “A self-organizing neural network approach for the single AGV routing problem.”, European Journal of Operational Reaserach, Vol. 121, pp. 124-137, 2000.
[14] Wu, S., Chow, W. S., “Induction Machine Fault Detection Using SOM-Based RBF Neural Networks”, IEEE Transactions on Industtrial Electronics, Vol. 51,No. 1, pp. 183-194, February 2004.
[15] Michaelis, B., Schnelting, O., Seiffert, U. and Mecke, R., “Adaptive filtering of distorted displacement vector fields using artificial neural networks”, IEEE Proceedings of ICPR, pp. 335-339, 1996.
[16] Seiffert, U. and Michaelis, B., “Adaptive three-dimensional self-organizing map with a two-dimensional input layer”, IEEE Intelligent Information System, 18-20 November 1996.
[17] Kostiainen, T. and Lampinen, J., “On the generative probability density model in the self-organizing map”, Nurocomputing, Vol. 48, pp.217-228, 2002.
[18] Kangas, J., Kohonen, T., Laaksonen, J., Simula, O. and Venta, O., ”Variants of self-organizing maps”, pp.517-522, 1989.
[19] Kohonen, T. and Somervuo, P.,”How to make large self-organizing maps for nonvectorial data”, Neural Network, Vol. 15, pp.945-952, 2002.
[20] Stroud, I. And Xirouchakis , P. C., “STL and extensions”, Advances in Engineering Software No.31, pp.83-95, 2000.
[21] Piegl, L. and Tiller,W., “The NURB Book”, Springer-Verlag , 1997.
[22] Seiffert, U. and Michaelis, B., “Three-dimensional Self-Organizing Maps for classification of image properties”, IEEE, pp.310-313, 1995.
[23] Seoffert, U. and Michaelis., “Estimating Motion Parameters with Three-Dimensional Self-Organizing Maps”, Information Science, Vol. 101, pp. 187-201, 1997.
[24] Gu, P. and Yan, X., “Neural network approach to the recounstruction of freeform surfaces for reverse engineering”, Aomputer-Aided Design, Vol. 27., No. 1, pp.59-64, 1995.
[25] Walczak, B. and Massart, D. L., “Local modeling with radial basis function networks”, Chemometrics and Intelligent Laboratory Systems, Vol. 50, pp.179-198, 2000.
[26] Knopf, G. K. and Kofman, J., “Adaptive reconstruction of free-form surfaces using Bernstein basis function networks”, Engineering Application of Artificial Intelligence, Vol. 14, pp.577-588, 2001.
[27] 葉怡成, “類神經網路模式應用與實作”, 儒林, 1995.
[28] 張置星, “Matlab程式設計與應用”, 清蔚科技, 2000.
[29] 羅華強, “類神經網路-Matlab的應用”, 清蔚科技, 2001.
[30] 位元文化, “Visual C++入門進階-從C++、物件導向到視窗程式設計”, 文魁, 2001.
[31] 林俊杰, “Visual C++ 6 視窗程式設計經典”, 碁峯資訊, 1999.

指導教授

莊漢東(Han-tung Chuang)

審核日期

2004-7-18

推文