利用GSOM网络实现散乱点云的区域分割摘要：论文提出了一种新的自组织神经网络动态生成算法，实现逆向工程中点云的区域分割，以数据点的坐标、估算出的法矢量和曲率构成的8维向量作为神经网络的输入，在训练中动态生成网络结构，克服了现有SOFM网络需要预先给出分区数目的限制，网络生成的结点数少、聚类速度快，最后通过实例实现了数据点云的区域分割，验证了该方法的正确性。关键词：逆向工程；神经网络；自组织特征映射；数据分割：TP391文献标识码：APoint-cloudsegmentationbasedonGSOMneuralnetworksYUShui-激ngLIUDe-ping,LIUXiao-yu,WANGYing-ying(MechatronicsinstituteofZhengzhouUniversity,Zhengzhou,China,450001)Abstract:Animproveddynamicself-organizationfeaturemapofneuralnetworks(GSOM)isputforward.Basedonthisalgorithm,theregiondivisionofpointcloudsinreverseengineeringisrealized,eightdimensionalfeaturevectorsincluding3-dimensionalcoordinate,3-dimensionalnormalvectorand2-dimensional---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---curvaturearetakenasinputofthenetworks,theframeworkofnetworksisconstructeddynamicallyinmodeltraining.Comparedwithothertraditionalmethods,thisnovelmethodhasnonecessarytospecifiedthenumberofneuralnetworksegmentationinadvance,ithaslessknotsandconvergesmorequickly.Thevalidityofthismethodisprovedbytherealexample.KeyWords:Reverseengineering,neuralnetworks,self-organizationfeaturemap，point-cloudsegmentation---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---0引言从实物样件出发获得产品的数字化模型技术已经成为CAD/CAM中一个相对独立的范畴，称为逆向工程（ReverseEngineering）[1]。逆向工程一般分为数据获取、数据分割、曲面重构和模型构造四个阶段。数据分割技术是把属于同一子曲面类型的数据划分成同一数据域,把测量数据分类转变为曲面造型数据，它是逆向工程几何建模的难点和关键点。目前的数据分割方法主要有：基于边的方法、基于面的方法和基于聚类的方法。基于边的方法根据数据点的局部几何特征在数据点中检测边点，然后进行边点的连接构成环，最后判断点集是属于环内还是环外，从而实现数据分割。基于面的方法是确定哪些点属于某个曲面，在处理的过程中同时完成曲面拟合。聚类的方法是通过矢量量化把局部几何特征参数相似的数据点聚集为一类。利用神经网络实现数据点云分区是目前逆向工程研究的热点，不少学者对这方面已经进行了深入的研究。Kon[2]利用自组织特征映射神经网络（SOFM）实现了数据分割但其方法只处理单视图的呈行列分布的数据。史桂蓉[3]等用数据点的坐标和法矢量构成的6维矢量作为SOFM网络的输入，实现了多视图合并的散乱数据的区域分割。然而，目前方法的不足主要在于：首先SOFM网络需要预先固定竞争层的神经元个数，即最多能够有多少个---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---类别，而分区数目取决于不同的处理对象，这使得传统的SOFM网络结构在处理数据分割时有很大的局限性。而且这种结构上的限制也大大影响了网络的收敛速度。在这一问题上刘雪梅[4]等提出了一种多层自组织特征映射神经网络，可以解决竞争层神经元数目预先固定的限制，但是算法的效率有待提高。本文在D.Alahakon[5]等提出的动态增长自组织映射(GSOM,GrowingSelf-OrganizingMaps）模型的基础上提出了一种改进的动态自组织特征映射神经网络，应用数据点云的坐标、估算出的法矢量和曲率构成的8维向量作为网络的输入，很好地解决了上述问题。1GSOM网络Kohonen[6]的SOFM网络由输入层和竞争输出层组成。输入层由个输入神经元组成，竞争层由个输出神经元组成，且形成一个二维平面阵列。该算法要求竞争层的神经元个数要预先指定，这种结构上的限制大大影响了网络的收敛速度。目前来说，解决这一问题的方法是网络结构在训练中动态决定，较有代表性的是D.Alahakon等提出的动态自组织映射模型。GSOM...