申请/专利权人：中北大学

申请日：2019-06-28

公开（公告）日：2024-04-09

公开（公告）号：CN110288606B

主分类号：G06V20/70

分类号：G06V20/70;G06V20/64;G06V10/26;G06V10/764;G06V10/77;G06V10/82;G06N3/0499;G06N3/086

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2019.10.29#实质审查的生效;2019.09.27#公开

摘要：本发明公开了基于蚁狮优化的极限学习机的三维网格模型分割方法，与现有技术相比，本发明采用步骤1至步骤7实现本发明的目的，其优点在于：利用蚁狮优化算法中蚂蚁受精英蚁狮与轮盘赌策略的双重影响，迭代更新并将最优解赋值给精英蚁狮，从而改进优化极限学习机随机生成的输入权值与隐含层偏置矩阵，训练得到一个高精度的分割分类器对普林斯顿模型进行测试。相比于前人的工作，在Airplane、Ant、Chair、Octopus、Teddy和Fish6类模型数据集上，训练面片数在20k‑30k之间的模型算法耗时1000s左右，且比未优化的分割方法获得了更高的分割精确度，最高分割精确度达到99.49％。

主权项：1.一种基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于，包含以下步骤：步骤1，针对普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型数据，对每个三维网格模型数据进行面片特征提取，并进行归一化处理，所述面片特征，包括：面片曲率特征、PCA特征、形状上下文特征、平均测地距离特征、形状直径特征，所述归一化处理，归一化到[-1,1]之间，消除量纲影响；步骤2，将普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型数据，分别按比例划分为训练数据集与测试数据集；步骤3，建立基于步骤2划分得到的每类三维网格模型训练数据集的输入特征向量P；步骤4，建立基于步骤2划分得到的每类三维网格模型测试数据集的测试特征向量P'；步骤5，设置极限学习机模型的隐层神经元L参数的大小；步骤6，采用蚁狮优化算法优化极限学习机，设置蚁狮优化算法中最大迭代次数Imax和种群规模N的大小，将基于步骤3得到的输入特征向量P作为输入数据，输入到蚁狮优化的极限学习机模型中进行训练，训练得到最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试；步骤7，基于步骤6训练得到的最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试，得到测试特征向量P'三维网格模型最优的分割精确度，生成与之对应的三维网格模型分割结果.seg文件，并得到可视化结果。

全文数据：一种基于蚁狮优化的极限学习机的三维网格模型分割方法技术领域本发明属于三维图像数据处理技术领域，具体涉及一种基于蚁狮优化的极限学习机的三维网格模型分割方法，该方法用于对已有的三维网格模型进行语义分割。背景技术得益于硬件传感器和重建技术的迅速发展，各式各样的数字多媒体数据的数量不断增长。针对三维图像数据进行分析与处理，成为计算机图形学研究的热点。其中网格模型的分割是计算机图形学基础性也是重要性的研究课题。网格模型的分割是按照模型的几何或拓扑特征，将其进行分解，变成一定数目且彼此连通，每个部分具有简单形状意义子网格片的工作。国内外研究人员针对网格模型分割提出了很多方法。根据是否将模型的标签作为输入信息，网格模型的分割可分为：基于监督的分割与无监督的分割两大类。由于基于监督的分割方法过少的人工干预，表现出更高的分割精度。近些年，研究人员相继提出了一些基于监督的分割方法。但是目前基于深度学习的网格模型分割方法训练分割分类器时间消耗特别大，如何有效的减少训练时间，并且进一步提高网格模型分割的精确度，是目前需要着重解决的问题。对于一些新兴的群体智能优化算法，不仅简单灵活而且能有效避免局部最优，使其在求解优化问题上得到广泛应用。如何将群智能优化的理论应用到三维模型的分割处理中，是需要进一步研究解决的热点问题。发明内容为了解决基于深度学习的网格模型分割方法训练分割分类器时间消耗特别大的缺点，并且进一步提高网格模型分割的精确度，本文提出了一种基于蚁狮优化的极限学习机的三维网格模型分割方法。一种基于蚁狮优化的极限学习机的三维网格模型分割方法，所述的基于蚁狮优化的极限学习机的三维网格模型分割方法包含以下步骤：步骤1，针对普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，对每个三维网格模型进行面片特征提取，并进行归一化处理，归一化到[-1,1]之间，消除量纲影响，其中，面片特征，包括：面片曲率特征、PCA特征、形状上下文特征、平均测地距离特征、形状直径特征。步骤2，将普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，分别按比例划分为训练数据集与测试数据集，由于普林斯顿数据集中Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，每类网格模型的数量都是20个，随机选择95％，也即19个模型作为训练数据集，用来训练分割分类器，剩余的5％，也即1个模型作为测试数据集，用来对训练好的分割分类器进行检验。步骤3，建立基于步骤2划分得到的每类三维网格模型训练数据集的输入特征向量P，具体为：将每类三维网格模型训练数据集中包含的模型，在步骤1中归一化处理后的面片特征进行合并，组成输入特征向量P，对于样本数为M的输入特征向量P表示为P＝{xj,tj,j＝1,2,…,M}，其中xj＝xj1,xj2,…,xjnT∈Rn，表示针对三维网格模型所提取的面片特征，n为输入特征向量P的属性大小，tj＝tj1,tj2,…,tjmT∈Rm或者表示为矩阵代表三维网格模型所打的标签。步骤4，建立基于步骤2划分得到的每类三维网格模型测试数据集的测试特征向量P'，具体为：将测试数据集中的三维网格模型在步骤1中归一化处理后的面片特征组成测试特征向量P'。步骤5，设置极限学习机模型的隐层神经元L参数的大小，具体为：将隐层神经元个数L设置为300，基本的极限学习机算法由步骤5.1至步骤5.3实现：步骤5.1，随机生成输入权值wi与隐含层偏置bi；步骤5.2，按公式计算隐层输出矩阵H，其中g·表示激活函数；步骤5.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵，矩阵代表三维网格模型所打的标签。步骤6，采用蚁狮优化算法优化极限学习机，设置蚁狮优化算法中最大迭代次数Imax为25和种群规模N为20，将基于步骤3得到的输入特征向量P作为输入数据，输入到蚁狮优化的极限学习机模型中进行训练，训练得到最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试的具体执行操作，由步骤6.1至步骤6.6实现：步骤6.1，随机初始化蚂蚁与蚁狮种群，根据公式中的限制条件，随机初始化蚂蚁与蚁狮种群的大小为N×L×n+1，种群中每一个蚂蚁与蚁狮个体的位置均表示极限学习机待优化的参数组合fwi,bi；步骤6.2，计算每只蚁狮的适应度值，并将最优的视为精英蚁狮，由步骤6.2.1至步骤6.2.7实现：步骤6.2.1，将蚁狮种群中的每一只蚁狮个体分为大小是L×n的输入权值wi，大小是L×1的隐含层偏置bi；步骤6.2.2，按公式计算隐层输出矩阵H，其中g·表示激活函数，本方法使用的激活函数为S型函数；步骤6.2.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵，矩阵代表三维网格模型所打的标签；步骤6.2.4，由输入特征向量P训练得到的分割分类器，其中分割分类器包含输入权值，隐含层偏置，输出权值，预测测试特征向量P'三维网格模型每一个面片的标签；步骤6.2.5，将预测得到的标签与标准的标签进行比较，统计正确标记的个数；步骤6.2.6，计算蚁狮的适应度值，即测试特征向量P'三维网格模型的分割精确度，分割精确度为网格模型中被正确标记的网格面数与总网格面数之比；步骤6.2.7，比较蚁狮种群中每个个体的适应度值的大小，按照适应度值从大到小排序，将最优的赋值给精英蚁狮；步骤6.3，令t＝1，进入迭代循环，更新蚂蚁的位置fwi,bi，由步骤6.3.1至步骤6.3.3实现：步骤6.3.1，计算轮盘赌策略对蚂蚁随机游走的影响，得到轮盘赌策略在第t次迭代时选择的随机游走步骤6.3.2，计算精英蚁狮对蚂蚁随机游走的影响，得到第t次迭代时蚂蚁在精英蚁狮周围的随机游走步骤6.3.3，按公式计算每只蚂蚁通过轮盘赌轮策略和精英蚁狮共同作用下的走动，更新蚂蚁的位置fwi,bi；步骤6.4，计算每只蚂蚁的适应度值，由步骤6.4.1至步骤6.4.6实现：步骤6.4.1，将蚂蚁种群中的每一只蚂蚁个体分为大小是L×n的输入权值wi，大小是L×1的隐含层偏置bi；步骤6.4.2，按公式计算隐层输出矩阵H，其中g·表示激活函数，本方法使用的激活函数为S型函数；步骤6.4.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵；步骤6.4.4，由输入特征向量P训练得到的分割分类器，分割分类器包含输入权值，隐含层偏置，输出权值，预测测试特征向量P'三维网格模型每一个面片的标签；步骤6.4.5，将预测得到的标签与标准的标签进行比较，统计正确标记的个数；步骤6.4.6，计算蚂蚁的适应度值，即测试特征向量P'三维网格模型的分割精确度，分割精确度为网格模型中被正确标记的网格面数与总网格面数之比；步骤6.5，更新精英蚁狮，由步骤6.5.1至步骤6.5.2实现：步骤6.5.1，蚂蚁比蚁狮具有更好的适应度值，按公式将蚁狮更新到所捕获蚂蚁的位置fwi,bi，反之，则蚁狮的位置保持不变；步骤6.5.2，蚁狮比精英蚁狮适应度值更好，更新精英蚁狮的位置，反之，则精英蚁狮的位置保持不变；步骤6.6，判断蚁狮优化算法是否达到最大迭代次数Imax，如果达到，就输出精英蚁狮对应的最优适应度值，也即测试特征向量P'三维网格模型的分割精确度和位置，也即极限学习机待优化的参数组合fwi,bi，否则迭代次数t加1，跳回步骤6.3继续执行，直到达到算法的最大迭代次数Imax；步骤7，基于步骤6训练得到的最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试，得到测试特征向量P'三维网格模型最优的分割精确度，生成与之对应的三维网格模型分割结果.seg文件，并得到可视化结果。本发明的有益效果是：与现有技术相比，综合步骤1至步骤7，本发明的显著优点在于：利用蚁狮优化算法中蚂蚁受精英蚁狮与轮盘赌策略的双重影响，迭代更新并将最优解赋值给精英蚁狮，从而改进优化极限学习机随机生成的输入权值与隐含层偏置矩阵，训练得到一个高精度的分割分类器对普林斯顿模型进行测试。相比于前人的工作，在Airplane、Ant、Chair、Octopus、Teddy和Fish6类模型数据集上，训练面片数在20k-30k之间的模型算法耗时1000s左右，且比未优化的分割方法获得了更高的分割精确度，最高分割精确度达到99.49％。附图说明图1是本发明分割方法的整体流程图；图2是基本的极限学习机算法原理图；图3Airplane飞机模型不同种群规模的收敛性图；图4Octopus章鱼模型不同种群规模的收敛性图；图5是Airplane飞机模型分割结果图；图6是Ant蚂蚁模型分割结果图；图7是Chair椅子模型分割结果图；图8是Octopus章鱼模型分割结果图；图9是Teddy泰迪熊模型分割结果图；图10是Fish鱼模型分割结果图。具体实施方法下面结合附图和实例对本发明作进一步详细描述。如图1所示，是本发明基于蚁狮优化的极限学习机的三维网格模型分割方法的流程图，其可概括总结为步骤1至步骤7：步骤1，针对普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，对每个三维网格模型进行面片特征提取，并进行归一化处理，归一化到[-1,1]之间，消除量纲影响，其中，面片特征，包括：面片曲率特征、PCA特征、形状上下文特征、平均测地距离特征、形状直径特征。步骤2，将普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，分别按比例划分为训练数据集与测试数据集，由于普林斯顿数据集中Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，每类网格模型的数量都是20个，随机选择95％，也即19个模型作为训练数据集，用来训练分割分类器，剩余的5％，也即1个模型作为测试数据集，用来对训练好的分割分类器进行检验。步骤3，建立基于步骤2划分得到的每类三维网格模型训练数据集的输入特征向量P，具体为：将每类三维网格模型训练数据集中包含的模型，在步骤1中归一化处理后的面片特征进行合并，组成输入特征向量P，对于样本数为M的输入特征向量P表示为P＝{xj,tj,j＝1,2,…,M}，其中xj＝xj1,xj2,…,xjnT∈Rn，表示针对三维网格模型所提取的面片特征，n为输入特征向量P的属性大小，tj＝tj1,tj2,…,tjmT∈Rm或者表示为矩阵代表三维网格模型所打的标签。步骤4，建立基于步骤2划分得到的每类三维网格模型测试数据集的测试特征向量P'，具体为：将测试数据集中的三维网格模型在步骤1中归一化处理后的面片特征组成测试特征向量P'。步骤5，设置极限学习机模型的隐层神经元L参数的大小，具体为：将隐层神经元个数L设置为300，基本的极限学习机算法原理如图2所示，由步骤5.1至步骤5.3实现：步骤5.1，随机生成输入权值wi与隐含层偏置bi；步骤5.2，按公式计算隐层输出矩阵H，其中g·表示激活函数；步骤5.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵，矩阵代表三维网格模型所打的标签。步骤6，采用蚁狮优化算法优化极限学习机，首先选择普林斯顿数据集中的Airplane、Octopus2个类别的模型进行测试实验，将种群大小N分别设置为10、20和30，如图3-图4，实验分别统计了这2种模型50次迭代不同种群规模的收敛性，由于本发明分割方法的运行时间会随着种群规模的增大而加倍增大，同时考虑运行时间与分割精确度，当种群规模N设置为20时，我们在运行时间和分割精确度之间取得了良好的平衡，当迭代到第25次左右之后，分割精确度基本保持稳定，所以设置蚁狮优化算法中最大迭代次数Imax为25和种群规模N为20，将基于步骤3得到的输入特征向量P作为输入数据，输入到蚁狮优化的极限学习机ALO-ELM模型中进行训练，训练得到最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试的具体执行操作，由步骤6.1至步骤6.6实现：步骤6.1，随机初始化蚂蚁与蚁狮种群，根据公式中的限制条件，随机初始化蚂蚁与蚁狮种群的大小为N×L×n+1，种群中每一个蚂蚁与蚁狮个体的位置均表示极限学习机待优化的参数组合fwi,bi；步骤6.2，计算每只蚁狮的适应度值，并将最优的视为精英蚁狮，由步骤6.2.1至步骤6.2.7实现：步骤6.2.1，将蚁狮种群中的每一只蚁狮个体分为大小是L×n的输入权值wi，大小是L×1的隐含层偏置bi；步骤6.2.2，按公式计算隐层输出矩阵H，其中g·表示激活函数，本方法使用的激活函数为S型函数；步骤6.2.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵，矩阵代表三维网格模型所打的标签；步骤6.2.4，由输入特征向量P训练得到的分割分类器，其中分割分类器包含输入权值，隐含层偏置，输出权值，预测测试特征向量P'三维网格模型每一个面片的标签；步骤6.2.5，将预测得到的标签与标准的标签进行比较，统计正确标记的个数；步骤6.2.6，计算蚁狮的适应度值，即测试特征向量P'三维网格模型的分割精确度，分割精确度为网格模型中被正确标记的网格面数与总网格面数之比；步骤6.2.7，比较蚁狮种群中每个个体的适应度值的大小，按照适应度值从大到小排序，将最优的赋值给精英蚁狮；步骤6.3，令t＝1，进入迭代循环，更新蚂蚁的位置fwi,bi，由步骤6.3.1至步骤6.3.3实现：步骤6.3.1，计算轮盘赌策略对蚂蚁随机游走的影响，得到轮盘赌策略在第t次迭代时选择的随机游走步骤6.3.2，计算精英蚁狮对蚂蚁随机游走的影响，得到第t次迭代时蚂蚁在精英蚁狮周围的随机游走步骤6.3.3，按公式计算每只蚂蚁通过轮盘赌轮策略和精英蚁狮共同作用下的走动，更新蚂蚁的位置fwi,bi；步骤6.4，计算每只蚂蚁的适应度值，由步骤6.4.1至步骤6.4.6实现：步骤6.4.1，将蚂蚁种群中的每一只蚂蚁个体分为大小是L×n的输入权值wi，大小是L×1的隐含层偏置bi；步骤6.4.2，按公式计算隐层输出矩阵H，其中g·表示激活函数，本方法使用的激活函数为S型函数；步骤6.4.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵；步骤6.4.4，由输入特征向量P训练得到的分割分类器，分割分类器包含输入权值，隐含层偏置，输出权值，预测测试特征向量P'三维网格模型每一个面片的标签；步骤6.4.5，将预测得到的标签与标准的标签进行比较，统计正确标记的个数；步骤6.4.6，计算蚂蚁的适应度值，即测试特征向量P'三维网格模型的分割精确度，分割精确度为网格模型中被正确标记的网格面数与总网格面数之比；步骤6.5，更新精英蚁狮，由步骤6.5.1至步骤6.5.2实现：步骤6.5.1，蚂蚁比蚁狮具有更好的适应度值，按公式将蚁狮更新到所捕获蚂蚁的位置fwi,bi，反之，则蚁狮的位置保持不变；步骤6.5.2，蚁狮比精英蚁狮适应度值更好，更新精英蚁狮的位置，反之，则精英蚁狮的位置保持不变；步骤6.6，判断蚁狮优化算法是否达到最大迭代次数Imax，如果达到，就输出精英蚁狮对应的最优适应度值，也即测试特征向量P'三维网格模型的分割精确度和位置，也即极限学习机待优化的参数组合fwi,bi，否则迭代次数t加1，跳回步骤6.3继续执行，直到达到算法的最大迭代次数Imax；步骤7，基于步骤6训练得到的最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试，得到测试特征向量P'三维网格模型最优的分割精确度，生成与之对应的三维网格模型分割结果.seg文件，并得到可视化结果，如图5-图10，分别是关于的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型的分割结果。本发明中可视化结果与ChenX,GolovinskiyA,FunkhouserT.Abenchmarkfor3Dmesh果所用的程序相同。为表明本发明分割方法的优势，将本发明的实验分割结果与基于基本的极限学习的三维模型分割方法CGF[2014]、基于深层卷积网络的网格模型分割方法ATG[2015]和基于快速学习的三维模型分割方法CEA[2017]进行比较。表1本发明分割方法与其他基于监督的分割方法分割精确度比较从表1中可以看出，本发明分割方法对比于CGF[2014]分割精度有很大提升，比文献CEA[2017]也有一定提高。除此之外，虽然本发明分割方法部分分割结果较低于ATG[2015]，但在时间性能上，在训练20k-30k的面片数需要花费1000s左右。同样的面片数，相比于ATG[2015]中的方法耗时4h左右，表现出优势。总体而言，本发明分割方法将群智能优化的思想蚁狮优化算法应用到网格模型的分割研究中来，采用极限学习机这一基本模型，有效避免了深度神经网络训练时间过长的问题，并且较前人的工作，分割精确度保持较高水平，算法还是有效可行的。以上实施例不局限于该实施例自身的技术方案，实施例之间可以相互结合成新的实施例。以上实施例仅用以说明本发明的技术方案而并非对其进行限制，凡未脱离本发明精神和范围的任何修改或者同替换，其均应涵盖在本发明技术方案的范围内。

权利要求：1.一种基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于，包含以下步骤：步骤1，针对普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，对每个三维网格模型进行面片特征提取，并进行归一化处理；步骤2，将普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，分别按比例划分为训练数据集与测试数据集；步骤3，建立基于步骤2划分得到的每类三维网格模型训练数据集的输入特征向量P；步骤4，建立基于步骤2划分得到的每类三维网格模型测试数据集的测试特征向量P'；步骤5，设置极限学习机模型的隐层神经元L参数的大小；步骤6，采用蚁狮优化算法优化极限学习机，设置蚁狮优化算法中最大迭代次数Imax和种群规模N的大小，将基于步骤3得到的输入特征向量P作为输入数据，输入到蚁狮优化的极限学习机模型中进行训练，训练得到最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试；步骤7，基于步骤6训练得到的最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试，得到测试特征向量P'三维网格模型最优的分割精确度，生成与之对应的三维网格模型分割结果.seg文件，并得到可视化结果。2.根据权利要求1所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤1中，所述面片特征，包括：面片曲率特征、PCA特征、形状上下文特征、平均测地距离特征、形状直径特征，所述归一化处理，归一化到[-1,1]之间，消除量纲影响。3.根据权利要求1所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤2中，将普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，分别按比例划分为训练数据集与测试数据集，具体为：普林斯顿数据集中Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，每类网格模型的数量都是20个，随机选择95％，也即19个模型作为训练数据集，用来训练分割分类器，剩余的5％，也即1个模型作为测试数据集，用来对训练好的分割分类器进行检验。4.根据权利要求1所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤3中，建立基于步骤2划分得到的每类三维网格模型训练数据集的输入特征向量P，具体为：将每类三维网格模型训练数据集中包含的模型，在步骤1中归一化处理后的面片特征进行合并，组成输入特征向量P，对于样本数为M的输入特征向量P表示为P＝{xj,tj,j＝1,2,…,M}，其中xj＝xj1,xj2,…,xjnT∈Rn，表示针对三维网格模型所提取的面片特征，n为输入特征向量P的属性大小，tj＝tj1,tj2,…,tjmT∈Rm或者表示为矩阵代表三维网格模型所打的标签。5.根据权利要求1所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤4中，建立基于步骤2划分得到的每类三维网格模型测试数据集的测试特征向量P'，具体为：将测试数据集中的三维网格模型在步骤1中归一化处理后的面片特征组成测试特征向量P'。6.根据权利要求1所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤5中，设置极限学习机模型的隐层神经元L参数的大小，具体为：将隐层神经元个数L设置为300，；所述极限学习机基本的算法由步骤5.1至步骤5.3实现：步骤5.1，随机生成输入权值wi与隐含层偏置bi；步骤5.2，按公式计算隐层输出矩阵H，其中g·表示激活函数；步骤5.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵，矩阵代表三维网格模型所打的标签。7.根据权利要求1所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤6中，采用蚁狮优化算法优化极限学习机，设置蚁狮优化算法中最大迭代次数Imax为25和种群规模N为20，将基于步骤3得到的输入特征向量P作为输入数据，输入到蚁狮优化的极限学习机模型中进行训练，训练得到最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试的具体执行操作，由步骤6.1至步骤6.6实现：步骤6.1，随机初始化蚂蚁与蚁狮种群，根据公式中的限制条件，随机初始化蚂蚁与蚁狮种群的大小为N×L×n+1，种群中每一个蚂蚁与蚁狮个体的位置均表示极限学习机待优化的参数组合fwi,bi；步骤6.2，计算每只蚁狮的适应度值，并将最优的视为精英蚁狮；步骤6.3，令t＝1，进入迭代循环，更新蚂蚁的位置fwi,bi；步骤6.4，计算每只蚂蚁的适应度值；步骤6.5，更新精英蚁狮，由步骤6.5.1至步骤6.5.2实现：步骤6.5.1，蚂蚁比蚁狮具有更好的适应度值，按公式将蚁狮更新到所捕获蚂蚁的位置fwi,bi，反之，则蚁狮的位置保持不变；步骤6.5.2，蚁狮比精英蚁狮适应度值更好，更新精英蚁狮的位置，反之，则精英蚁狮的位置保持不变；步骤6.6，判断蚁狮优化算法是否达到最大迭代次数Imax，如果达到，就输出精英蚁狮对应的最优适应度值，也即测试特征向量P'三维网格模型的分割精确度和位置，也即极限学习机待优化的参数组合fwi,bi，否则迭代次数t加1，跳回步骤6.3继续执行，直到达到算法的最大迭代次数Imax。8.根据权利要求7所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤6.2中，计算每只蚁狮的适应度值，并将最优的视为精英蚁狮，具体由步骤6.2.1至步骤6.2.7实现：步骤6.2.1，将蚁狮种群中的每一只蚁狮个体分为大小是L×n的输入权值wi，大小是L×1的隐含层偏置bi；步骤6.2.2，按公式计算隐层输出矩阵H，其中g·表示激活函数，本方法使用的激活函数为S型函数；步骤6.2.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵，矩阵代表三维网格模型所打的标签；步骤6.2.4，由输入特征向量P训练得到的分割分类器，其中分割分类器包含输入权值，隐含层偏置，输出权值，预测测试特征向量P'三维网格模型每一个面片的标签；步骤6.2.5，将预测得到的标签与标准的标签进行比较，统计正确标记的个数；步骤6.2.6，计算蚁狮的适应度值，即测试特征向量P'三维网格模型的分割精确度，分割精确度为网格模型中被正确标记的网格面数与总网格面数之比；步骤6.2.7，比较蚁狮种群中每个个体的适应度值的大小，按照适应度值从大到小排序，将最优的赋值给精英蚁狮。9.根据权利要求7所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤6.3中，令t＝1，进入迭代循环，更新蚂蚁的位置fwi,bi，具体由步骤6.3.1至步骤6.3.3实现：步骤6.3.1，计算轮盘赌策略对蚂蚁随机游走的影响，得到轮盘赌策略在第t次迭代时选择的随机游走步骤6.3.2，计算精英蚁狮对蚂蚁随机游走的影响，得到第t次迭代时蚂蚁在精英蚁狮周围的随机游走步骤6.3.3，按公式计算每只蚂蚁通过轮盘赌轮策略和精英蚁狮共同作用下的走动，更新蚂蚁的位置fwi,bi。10.根据权利要求7所述的基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于：所述步骤6.4中，计算每只蚂蚁的适应度值，具体由步骤6.4.1至步骤6.4.6实现：步骤6.4.1，将蚂蚁种群中的每一只蚂蚁个体分为大小是L×n的输入权值wi，大小是L×1的隐含层偏置bi；步骤6.4.2，按公式计算隐层输出矩阵H，其中g·表示激活函数，本方法使用的激活函数为S型函数；步骤6.4.3，按公式计算输出权值矩阵，其中H-是H广义逆矩阵；步骤6.4.4，由输入特征向量P训练得到的分割分类器，分割分类器包含输入权值，隐含层偏置，输出权值，预测测试特征向量P'三维网格模型每一个面片的标签；步骤6.4.5，将预测得到的标签与标准的标签进行比较，统计正确标记的个数；步骤6.4.6，计算蚂蚁的适应度值，即测试特征向量P'三维网格模型的分割精确度，分割精确度为网格模型中被正确标记的网格面数与总网格面数之比。

百度查询： 中北大学 一种基于蚁狮优化的极限学习机的三维网格模型分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD