基于蚁群的数据点NURBS曲面快速拟合研究

研究数据点的NURBS曲面拟合问题,提高拟合速率。针对所要拟合的数据点分布散乱,传统的基于遗传算法多次迭代,造成曲面拟合速率不高的问题。为解决上述问题,提出一种基于蚁群的数据点NURBS曲面拟合算法。通过采用蚁群寻址算法搜索出控制顶点和边界数据点集,计算曲面的权因子后完成NURBS曲面的拟合,并使用蚁群算法对拟合曲面进行优化,避免了传统方法多代遗传迭代造成的拟合速率不高的问题。实验表明,这种方法能够快速完成散乱数据点的NURBS曲面拟合,并且具有一定的拟合效率,取得了满意的结果。     

基于全局关系探测的几何体一致拟合

人造物体往往包含平面、球、圆柱和圆锥等基本几何体,并且这些几何体之间通常都存在相互平行、垂直和对齐等全局关系.传统的RANSAC方法能够从点云中局部地拟合基本几何体,使拟合结果很好的忠实于采样数据,但是RANSAC并没有考虑基本几何体之间的全局关系,其拟合的基本几何体之间完全独立,因此噪声、稀疏性以及不完整性的往往极大影响RANSAC的结果.针对该问题,提出了一种新的从点云拟合基本几何体的方法:使拟合结果既忠实于采样数据也满足全局关系.该方法从RANSAC局部拟合的基本几何体出发,然后迭代地探测它们之间的全局关系和更新它们的拟合,使得拟合的基本几何体一致地满足探测出的全局关系的情况下最大程度地忠实于采样数据.通过大量的合成数据和真实数据实验表明,这种结合了全局关系的方法在存在大量噪声、异常点和非均匀采样的情况下都具有很好的鲁棒性.     

散乱数据拟合的自适应分片逆尺度空间算法

散乱数据拟合(逼近)是在信号处理、计算机图形学等领域中被广泛研究的问题, 近些年,利用优化方法获得散乱数据的稀疏表示逼近解也成为了优化和曲面重构交叉领域的热 点。基于由B 样条生成的PSI 空间中的散乱点曲面拟合问题和分片稀疏的联系,将分片稀疏性 引入到Bregman 逆尺度空间算法(ISS)中,提出一种自适应的分片逆尺度空间(aP_ISS)算法,处 理散乱数据的曲面拟合问题。通过对逆尺度空间系统分片符号一致性分析,得到了自适应分片 逆尺度空间系统的性能保证定理和避免了aP_ISS 参数的选取。应用到散乱点曲面重构问题上 的数值实验结果表明,该算法不仅可以有效拟合曲面,还能够较好保护分片稀疏性。     

散乱分布数据曲面重构的光顺-有限元方法

提出了一种基于散乱分布的数据点重构三维曲面的有限元方法.根据最佳逼近与数据光顺理论建立正定的目标泛函,采用有限元最佳拟合使泛函极小化,求得最优解.通过八节点等参数有限元插值计算,重新构造出三维曲面.这种光顺-有限元方法有效地抑制了输入数据上误差噪声的影响,与有限元拟合方法相比,所需的输入数据点少,重构的曲面逼近精度高、光顺性好.数值实验表明,该方法简单,便于应用.     

一种NURBS曲面拟合精度的量化评测算法

曲面重构是逆向工程中的核心技术之一,由于NURBS曲面在光顺性和局部可编辑等方面所具有的优点,使其成为点云数据自由曲面重构的常见形式。目前对NURBS曲面重构技术的研究上取得了一些成果,但各方法在拟合精度和效果上各有参差,因此有必要对NURBS曲面拟合精度评价算法进行研究。在采用NURBS实现曲面拟合的基础上,对拟合精度的量化指标进行研究,设计了一种基于区域划分的搜索迭代算法,可快速地计算得到原始点云与NURBS曲面的偏差。     

一种新的神经网络逼近函数算法

针对地震数据等大数据多属性集处理一直是科学研究的重点和难点,本文提出一种多参数的单调性函数的拟合方法。利用主成分分析法来进行简化处理,从而获得较少的属性集合,并在此基础上,提出一种新的数据预处理方法,以较好地解决数据单调性所带来的归一化误差,并构造一个与之相匹配的神经网络模型,用它的学习算法来训练网络,从而实现函数拟合。最后通过仿真验证了该方法的有效性。     

基于高次数据拟合OFDM系统快时变信道估计算法*

针对快时变信道估计参数多且估计复杂度大的问题,提出了一种基于高次数据拟合的快时变信道估计算法。该方法首先利用导频的周期性,在时域对一个OFDM符号内的信道进行分段估计,以减少时变信道被估参数;并且基于高次数据拟合方法对其进行曲线拟合,实现了对快时变信道的多点拟合;最后通过对拟合系数的残差误差分析,得到最佳拟合系数,从而进一步提高估计准确度。理论分析与仿真结果均验证了该方法在快速时变信道下的有效性。     

基于正则渐进迭代逼近的自适应B 样条曲线拟合

基于渐进迭代逼近(PIA)的数据拟合方法以其简单和灵活的特性获得了广泛的关 注。为了获得高保真度的拟合曲线,提出了一种基于主导点选取和正则渐进迭代逼近(RPIA)的 自适应B 样条曲线拟合算法。首先根据数据点的曲率估计选取初始主导点并生成初始PIA 曲线。 然后,借助于拟合误差和数据点集的曲率分布选取加细的主导点及实现PIA 曲线的更新。得益 于基于曲率分布的主导点选取,使得拟合曲线在复杂区域分布较多的控制顶点,而在平坦区域 则较少。通过正则参数的引入构造了一种RPIA 格式,提升了渐进迭代控制的灵活性。最后, 数值算例表明相比于传统最小二乘曲线拟合该算法在使用较少数量的控制顶点时可实现较高的 拟合精度。     

基于曲率准则的LiDAR点云表面特征提取算法

针对三维激光扫描仪采集的海量点云数据中存在大量冗余数据的问题,设计了一种基于曲率准则的LiDAR点云表面特征提取算法.该算法利用二次曲面拟合原理将局部点云拟合成二次曲面,预算出该曲面的曲率等微分属性,通过平均曲率法完成特征点的初选,应用曲率极值法来实现特征点的精选,运用最小生成树算法构建特征点之间的空间拓扑关系,实现特...     

步长加速法优化B样条参数的离散数据点拟合

采用迭代法拟合离散数据点时,数据点的参数化会同时影响逼近的效果和逼近的速度,为此,提出一种通过迭代调整优化控制顶点和数据点参数的方法,其收敛速度较快且拟合得到曲线更贴合控制点.首先,选取初始控制顶点,通过自适应的BFGS方法优化控制顶点得到拟合曲线;其次,保持控制顶点不变,利用步长加速法优化数据点对应的参数;最后,利用新参数值重新优化控制顶点并得到新的拟合曲线.数值实例表明,所提方法在迭代前期步骤中,收敛速度快于现有的基于控制顶点迭代法,且优化后的曲线更加逼近离散的数据点,拟合误差更小.