粒子群优化算法求解最优控制点的非均匀有理B样条曲线拟合

为使参数曲线拟合在压缩数据量的基础上仍能保持较高的精度,提出了一种基于特征点提取、最小二乘法逼近以及粒子群优化算法求解最优控制点的高精度非均匀有理B样条（NURBS）曲线拟合方法。首先,以反曲点和曲率极值点作为筛选依据从所有离散数据点中提取特征点;然后,将特征点在最小二乘法下逼近,并根据所得线性方程组计算得到初始控制点;最后,以初始控制点的位置坐标构造粒子初始种群,并建立一个衡量离散数据点与拟合曲线误差的适应度函数,且利用粒子群优化算法对初始控制点的位置进行迭代优化,直至达到最大迭代次数为止。在叶片和蝴蝶截面原型上进行的实验验证的结果表明,所提方法使待拟合数据量分别压缩为原来数据量的25/117和120/283,且与以精度高为优势的增加辅助控制点的方法相比,所提方法的拟合精度分别提高了57.1%和22.9%,在已有曲线拟合研究方法中具有较强竞争力。     

关键点选取的最小二乘渐进迭代逼近

目的 最小二乘渐进迭代逼近（LSPIA）方法多以均匀参数化或弦长参数化的形式均匀地确定初始控制点,虽然取得了良好效果,但在处理复杂曲线时,迭代速度相对较慢且误差精度不一定能达到预期设定值。为了进一步提高迭代效率和误差精度,本文提出了基于关键点（局部曲率最大点和极端曲率点）的最小二乘渐进迭代逼近方法。方法 首先计算所有数据点的离散曲率,筛选出局部曲率最大点;接着设定初始的曲率下限,筛选出极端曲率点;然后将关键点与均匀选取的控制点按参数顺序化,并将其作为迭代的初始控制点;最后利用LSPIA方法对数据点进行拟合。结果 对同一组数据点,分别采用LSPIA方法和基于关键点的LSPIA方法,本文方法较好地提高了收敛速度;在相同的控制点数目下,与LSPIA算法相比,本文方法的误差精度较小。结论 本文方法适合于比较复杂的曲线,基于曲率分布的关键点的选取,可以更好地反映曲线的几何信息。数值实例表明,结合关键点筛选策略的LSPIA算法提高了计算效率,取得了更好的拟合效果。     

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.     

数据点加权最小二乘渐进迭代逼近及其B样条曲线拟合

为了使B样条拟合曲线插值部分数据点且逼近其余数据点,提出数据点加权的最小二乘渐进迭代逼近(DW-LSPIA)算法,证明了其收敛性并以它为基础提出一种B样条曲线拟合算法.首先赋初始权重于每个数据点,用DW-LSPIA算法生成初始拟合曲线;然后根据待插值点与拟合曲线上对应点的误差调整待插值点的权重,并重新运用DW-LSPIA算法生成新的拟合曲线;如此迭代,直至拟合曲线达到插值要求.实例结果表明,该拟合算法鲁棒、高效,也可使拟合曲线保形.     

基于轮廓重心参数调整的Bezier曲线拟合方法

传统的3次Bezier曲线拟合方法在拟合汉字轮廓曲线时,迭代次数多,效率较低.针对拟合的效率,设计了一种基于3次Bezier曲线的汉字曲线轮廓拟合新方法.该方法的核心是简单高效的参数迭代算法.在3次Bezier曲线控制点的求取方法上,采用最小二乘法拟合;在参数的优化问题上,用过型值点重心的直线与拟合曲线间的交点求解参数,迭代优化参数取值.该迭代算法占用资源少,运算量小,计算简便.实验结果表明,针对一般型值点和汉字轮廓特征点的曲线拟合,在相同精度要求下,该算法迭代次数少,收敛速度快,能达到更好的拟合效果.     

曲线曲面局部最小二乘渐进迭代逼近

作为一种有效的大数据拟合方法，曲线曲面最小二乘渐进迭代逼近方法(LSPIA)吸引了众多研究者的关注，并获得了广泛的应用。针对LSPIA算法拟合局部数据点效果较差的问题，提出了一种局部的LSPIA算法，称为LOCAL-LSPIA。首先，给定初始曲线(曲面)并从给定的数据点中选择部分数据点；然后在初始曲线(曲面)上选择需要调整的控制点；最后，LOCAL-LSPIA通过迭代调整这一部分控制点来生成一系列局部变化的拟合曲线(曲面),并且保证生成的曲线(曲面)的极限是在仅调整这部分控制点的情况下拟合部分数据点的最小二乘结果。在多个曲线曲面拟合上的实验结果表明，为达到相同的拟合精度，LOCAL-LSPIA算法比LSPIA算法需要的步骤和运算时间更少。因此，LOCAL-LSPIA是有效的，而且在拟合局部数据的情况下比LSPIA算法的收敛速度更快。     

基于改进麻雀搜索算法的B样条曲线拟合方法

航空发动机叶片气动性能设计的改进要求叶片加工系统采用高精度、高效率的加工工艺，基于传统建模方法的叶片加工系统已难以满足当前的加工需求。提出一种基于改进麻雀搜索算法(SSA)的拟合方法，旨在利用最少控制点高效地达到曲线拟合的目标精度，进而提升传统建模方法的精度和效率，建立适用于数字孪生生产环境的高精度、高实时性的三维叶片模型，提高航空发动机叶片的加工合格率。启发式优化算法在B样条曲线拟合中存在收敛慢的问题，而SSA不断跃向最优解的特性使其能快速收敛。基于此，改进SSA的位置更新函数并给出内节点向量更新范围的概念，通过自动迭代内节点向量配置，利用最小二乘法计算最优控制点，依据局部和全局误差计算适应度值并参与下次迭代，多次迭代后得到符合目标精度的拟合曲线。此外，为提高SSA搜索最少控制点的效率，设计一种二分搜索方法。采用某型叶片截面数据进行拟合验证，结果表明，与传统定义节点向量方法和经典优化算法相比，该方法具有较高的拟合精度和收敛效率，在20和80个控制点下分别取得了1e-3 mm和1e-5 mm左右的拟合精度，在5e-3 mm目标精度下，收敛效率较粒子群优化算法、标准SSA分别提升了14....     

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。     

NURBS曲线拟合的最小二乘渐进迭代逼近优化算法

为了使NURBS曲线更精确地拟合散乱数据点,提出了一种基于最小二乘渐进迭代逼近(least square progressive and iterative approximation,LSPIA)的NURBS曲线拟合优化算法.首先,确定一条初始NURBS曲线,利用LSPIA算法优化控制顶点;然后,分别优化数据点参数,拟合曲线的节点和权因子,每优化好一个变量,重新优化控制顶点;最后,经多次优化迭代得到高精度的NURBS拟合曲线.在优化每类变量时,为了避免被其他变量影响,保持其他变量不变.基于LSPIA的NURBS曲线拟合优化算法充分利用了LSPIA算法的优点,在迭代过程中,可以重复使用前一迭代步骤得到的控制顶点等数据,从而节省了运算时间.算法实例表明,该算法能获得一定保形效果.     

NURBS曲线整体光顺逼近算法研究

针对离散数据点序列的拟和精度及光顺度问题,提出了一种三次非均匀有理B样条(NURBS)曲线整体光顺逼近算法。该算法建立了一个由最小二乘、离散点曲率和、离散点曲率变化和三项组成的目标函数并求出了最优控制点序列坐标,采用非线性优化方法对权因子序列进行了调整,确立了逼近误差的近似表示方法,并提出了包含上述方法的循环判断流程。最后,实现了拟合曲线在UG NX 4.0中的显示和分析。     

DFP优化的数据点渐进迭代拟合方法

DFP方法(由Davidon,Fletcher和Powell 3人共同提出)是求解无约束优化问题的一种经典方法,文中指出数据点的拟合问题可转化为无约束优化问题的求解,并基于DFP优化方法给出了一种大规模数据点拟合方法,称之为DFP渐进迭代拟合方法.文中证明了该方法生成的极限曲线为初始数据点的最小二乘拟合曲线;它承袭了经典最小二乘渐进迭代逼近算法的众多优良性质,如具备直观的几何意义、可灵活地拟合大规模数据点、初始控制顶点的选择不影响最终迭代结果等.数值实例进一步表明,同等条件下,文中方法的收敛速度明显优于现有的几种数据点拟合方法.     

叶片基元叶型椭圆形前缘拟合方法

针对叶片基元叶型建模时对前缘的椭圆形转接需求,采用最小二乘法获得椭圆初始参数值,基于此参数引入改进粒子群算法进一步求解,以点到椭圆垂直距离作为目标函数,建立椭圆参数优化数学模型,从而提高拟合精度。基于上述研究结果,利用VC++软件及UG平台完成前缘椭圆拟合,实例表明,对于数据点集中分布于一侧且存在大量噪声的情况,该方法与最小二乘法相比能获得更高的拟合精度,且响应时间符合设计需求。     

带互异权值的B样条曲线的最小二乘渐进迭代逼近

为使B样条拟合目标曲线的迭代过程中单独控制部分数据点,调整局部曲线形状,减小局部曲线迭代误差,提出带互异权值的最小二乘渐进迭代逼近法.首先赋统一初始权值于每个数据点,用最小二乘渐进迭代逼近法生成B样条拟合曲线;其次调整部分数据点对应的权值,运用带互异权值的最小二乘渐进迭代逼近法生成B样条拟合曲线;最后比较调整前后拟合误差.实例结果表明,本文所提出方法可调整局部拟合曲线形状,减小拟合误差.     

一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10~(-9)~10~(-7)%之间,其拟合性能明显优于常规方法。     

基于渐进迭代逼近的矢量地图曲线化简方法

矢量地图化简在地形仿真、制图综合等研究中具有重要应用。针对已有算法难以兼顾化简曲线 的整体形态和局部特征点精度的问题,提出一种基于 B 样条曲线渐进迭代逼近(PIA)的矢量地图曲线化简方法。 首先筛选出能保持曲线轮廓、具有最大信息量的特征点列,将其作为初始控制点列,得到相应的非均匀 3 次 B 样条拟合曲线;然后根据拟合曲线与特征点的误差进行迭代调整控制点,逐步得到一系列逼近曲线,直至最终 满足精度要求。实验表明,PIA 方法不仅保持了化简曲线的整体几何形态,而且能在满足全局误差要求的情况 下,实现特征点处的高精度逼近。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

基于带收缩因子的粒子群优化算法的二重数值积分

提出了基于带收缩因子的粒子群优化(PSO-CF)算法求解二重数值积分的方法。PSO-CF算法初始时在积分区域内随机选取一定的分割点,粒子的速度采用收缩因子进行更新,粒子将朝着更好的位置移动。该算法基于分割后的每一个小矩形的4顶点和4内点及中心点定义适应值,用来评价粒子的优劣,通过反复迭代优化粒子。PSO-CF算法对最优粒子采用复化4内点公式计算二重数值积分。仿真实例表明,该算法积分精度较高,效果良好。     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

基于安德森加速的快速 B 样条拟合算法

曲线拟合技术已被广泛地应用于图像处理、工程实验等领域。其中,B 样条曲线拟 合是曲线拟合中最常见的方法,它具有局部性好、连续性好等优点,但拟合精度一般较低。在实 际应用中,B 样条曲线拟合对于精度和速度的要求都较高。为了提升平面 B 样条曲线拟合速度, 将安德森加速的想法应用到曲线拟合的方法之中,提出一种基于安德森加速的拟牛顿方法。首先 设定一个初始形状,然后根据初始形状找到其每个数据点的投影点的位置参数,然后利用安德森 加速计算出控制点的相应位置,迭代进行以上 2 步,直到结果收敛。实验结果表明,该方法在收 敛速度和迭代时间上均优于其他方法。