推荐星级：
- 1
- 2
- 3
- 4
- 5
三种用于加工特征识别的神经网络方法综述
资料介绍
加工特征自动识别技术是智能化设计与制造的关键支撑,已有的实用性算法普遍存在学习能力差、识别范围有限和识别速度慢等共性问题。神经网络方法在计算机视觉和模式识别领域获得了巨大成功,其自学习与自适应能力和高速计算等优势也已在加工特征识别中得到初步的展现。对加工特征识别中具有应用潜力的三种不同的神经网络方法进行了研究,剖析了神经网络识别加工特征中的预处理与编码和神经网络结构设计等关键性问题,分析了不同神经网络方法的异同点,总结了当前神经网络识别加工特征的发展方向,为相关领域的研究提供一定的理论指导与技术支持。
部分文件列表
| 文件名 | 大小 |
| 三种用于加工特征识别的神经网络方法综述.pdf | 3M |
部分页面预览
（完整内容请下载后查看）航
空
学
报
ꢀ
Ｓｅ ．２５ ２０１９ Ｖｏｌ．４０ Ｎｏ．９
ꢀ
ｐ
ꢀ
ꢀ
／
ＩＳＳＮ １０００６８９３ ＣＮ１１１９２９ Ｖ
ꢀ ꢀ ꢀ －
－
ＡｃｔａＡｅｒｏｎａｕｔｉｃａｅｔＡｓｔｒｏｎａｕｔｉｃａＳｉｎｉｃａ
ꢀ ꢀ ꢀ ꢀ
ꢀ
：
ｈｔｔ ／／ｈｋｘｂ．ｂｕａａ．ｅｄｕ．ｃｎ ｈｋｘｂ ｂｕａａ．ｅｄｕ．ｃｎ
＠
ꢀ
ｐ
： ，
引用格式 石叶楠 郑国磊 三种用于加工特征识别的神经网络方法综述
．
［］
Ｊ ．
，
航空学报
２０１９ ４０９ ０２２８４０．ＳＨＩＹＮ ＺＨＥＮＧＧ
，
（）：
，
ꢀꢀ
ꢀ
［］
，
Ｌ．Ａｒｅｖｉｅｗｏｆｔｈｒｅｅｎｅｕｒａｌｎｅｔｗｏｒｋｍｅｔｈｏｄｓｆｏｒｍａｎｕｆａｃｔｕｒｉｎ ｆｅａｔｕｒｅｒｅｃｏｎｉｔｉｏｎＪ ．ＡｃｔａＡｅｒｏｎａｕｔｉｃａｅｔＡｓｔｒｏｎａｕｔｉｃａＳｉｎｉｃａ
ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ
ｇ
ꢀ
， （）： （ ） ： ／
２０１９ ４０９ ０２２８４０ ｉｎＣｈｉｎｅｓｅ ．ｄｏｉ １０．７５２７ Ｓ１０００６８９３．２０１９．２２８４０
－
ꢀ
三种用于加工特征识别的神经网络方法综述
＊
，
石叶楠
郑国磊
，
北京航空航天大学 机械工程及自动化学院 北京
１０００８３
ꢀ
： ， 、
加工特征自动识别技术是智能化设计与制造的关键支撑 已有的实用性算法普遍存在学习能力差 识别范围有
摘
要
ꢀ
。 ，
限和识别速度慢等共性问题 神经网络方法在计算机视觉和模式识别领域获得了巨大成功 其自学习与自适应能力和
。
高速计算等优势也已在加工特征识别中得到初步的展现 对加工特征识别中具有应用潜力的三种不同的神经网络方法
， ，
进行了研究 剖析了神经网络识别加工特征中的预处理与编码和神经网络结构设计等关键性问题 分析了不同神经网络
， ，
方法的异同点 总结了当前神经网络识别加工特征的发展方向 为相关领域的研究提供一定的理论指导与技术支持
。
： ； ； ； ；
关键词 特征识别 神经网络 多层感知机 自组织神经网络 卷积神经网络
：
：
Ａ
：
文章编号
１０００６８９３２０１９０９０２２８４０１７
ꢀꢀꢀ
（
）
中图分类号
文献标识码
Ｖ２６２．３
ꢀ
－
－
－
，
特征由多个独立的特征组合形成 并在几何或拓
加工特征自动识别是智能化设计与制造领域
ꢀꢀ
中的一项核心技术和关键支撑 在所有借助特征
进行分析与决策的计 算机 辅助设计与 制造系统
，
扑结构上发生了改变 其识别是加工特征识别中
，
。
的难点和重点 现有的加工特征识别方法已得到
，
了广泛的应用 但是特征识别方法仍然面临三方
，
中 特征识别均是必不可少的基础组成单元
。
在
： ，
面的挑战 一是特征本身具有多样性 而不同的应
，
当下的数字化设计与制造中 设计完成的计算机
，
用系统仅根据需要寻求预定特征的识别算法 使
（
，
）
模 型
Ｃｏｍ ｕｔｅｒＡｉｄｅｄＤｅｓｉｎ ＣＡＤ
辅助设 计
ｐ
ꢀ
ꢀ
ｇ
，
得算法不具通用性 无法适应特征多样性的发展
（
用于计算机辅助制造
Ｃｏｍ ｕｔｅｒＡｉｄｅｄＭａｎｕｆａｃ
ｐ
ꢀ ꢀ －
； ，
要求 二是特征识别的时间成本较高 特别是在处
， ） ，
时 常常存在数据与物理环境间脱
ｔｕｒｉｎ ＣＡＭ
ｇ
、
理复杂特征 相交特征或大型结构件中的多类型
， 、
节的问题 即物理制造阶段仅传递面 边等低级信
， ；
特征时 识别时间可能会大幅增加 三是准确率还
，
息 而 丢 失
。
模 型 设 计 中 的 其 他 相 关 信 息
ＣＡＤ
。
需进一步提高
（
计算机 辅 助 工 艺 规 划
Ｃｏｍ ｕｔｅｒＡｉｄｅｄＰｒｏｃｅｓｓ
ｐ
ꢀ ꢀ
，
目前针对加工特征识别的方法有很多 其中
， ）
从制造需求 的角度 对
Ｐｌａｎｎｉｎ ＣＡＰＰ
ｇ
模
ＣＡＤ
［］
１
、
比较经典的方法可归纳为基于图的方法
基于
， “ ” ，
型进行解释 并重新用 加工特征 来定义 从而解
［］
２
［］
３
基于规则的方法 和基于痕迹
、
体分解的方法
。
之间的连接问题
决了
和
ＣＡＤ ＣＡＭ
［］
４
。
，
加工特征与加工过程密切相关 涉及加工方
，
这些方法各有优缺点 但是它们间的
的方法
、 、 、 。
式 刀具类型 加工刀轨 夹具等信息 根据加工
：
①
；
不具备学习和抽象能力
②
共性问题包括
对
，
；
③
特征的几何性质 和在
模型 中的 空 间关系
输入模型的抗噪性较差
专注于特定类
ＣＡＤ
ＣＡＤ
型的
，
表示 不能推广 到 其他不 同 表示 方法
／ 。
通常将其分为独立特征与相交 复合特征 相交
ＣＡＤ
：
；
：
；
：
；
： ：
网络出版时间
２０１９０４２２ １５１６
－ － ꢀ
收稿日期
退修日期
录用日期
２０１８１２０６
－ －
２０１８１２２９
－ －
２０１９０４１１
－ －
： ：／／ ／ ／ ／
ｈｔｔ ｈｋｘｂ．ｂｕａａ．ｅｄｕ．ｃｎＣＮｈｔｍｌ２０１９０９１３ ．ｈｔｍｌ
ｐ
网络出版地址
：
基金项目 中航工业产学研项目
（
）
ｃｘ２０１３ＢＨ０６
ｙ
：
．Ｅｍａｉｌ ｓｈｉｅｎａｎ ｂｕａａ．ｅｄｕ．ｃｎ
＠
通信作者
－
ｙ
＊
０２２８４０１
－ꢀ
航
空
学
报
ꢀ
ꢀ
ꢀ
；
④
、
处理可变特征 相交特征的能力
， ，
出层的神经元个数可大于 个 一般情况下 用于
１
的特征表示
。
，
个
较差
预测和函数逼近的
的输出神经元为
ＭＬＰ
１
，
恰恰相反 神经网络方法具有弥补这些共性
，
用于分类的输出神经元为一个或多个 每一个表
。 ，
不足的技术优势 首先 神经网络具有学习的能
；
示一种类型 隐藏层和输出层均含有非线性激
③
； ，
力 其次 神经网络方法是基于数据驱动的方法
，
。
活函数
ＭＬＰ
，
借助隐藏层神经元的连续 非线性变换
，
只要建立了一种通用的数学表达方法 就可以统
，
，
。
中 层与层之间为全连接 层内无连接
； ，
一用神经网络识别不同类型的特征 再次 神经网
、
具
ＭＬＰ
，
络具有识别相似特征的能力 不需要预定义所有
。
图
有较强的非线性分类和逼近能力
给出了
１
。 ，
可能的特征实例 因此 自
，
的网络结构 该网络包含
ｍ
。
个 隐藏层 计
世纪
年代末开
２０
９０
ＭＬＰ
，
始 国内外学者开始关注和研究利用神经网络识
，
算时 隐藏层和输出层的任一神经元的输入值均
［
］
５６
。
－
，
别加工特征 并取得了一系列显著的成果
。
为前一层所有神经元输出值加权之和 若第
神
层
ｌ
ｌ
，
经网络方法的基本思想是借助神经网络的学习能
的第 个神经元的输出值为
ｉ
则其可以表示为
ｙｉ
ｎ
，
力 通过向网络输入样本特征并依据期望输出结
ｌ
ｌ １ ｌ １
－ －
ｌ
（）
１
ｗｊｉ
ｂ
＋
ｉ
＝
ｙｉ
ｆ
ｙ
ｊ
∑
， 。
果来反复训练网络 以实现特征识别任务 同时
，
（
＝
ｊ
）
１
ｌ １
－
：
ｙ
；
为第 层的第 个神经元的输出值
ｌ １
－
ｊ
神经网络的抗噪性能也有助于提高特征识别的准
式中
ｊ
ｌ １
－
。
，
：
确率 目前 这方面的研究重点在于
①
如何将
为第
层的第 个神经元与第 层的第
ｌ ｉ
ｊ
ｗｉ
ｊ
ｌ
１
－
；
ｎ
模型和加工特征转化为神经网络的输入信
个神经元的连接权值
为第
层的神经元个
１
－
ＣＡＤ
ｌ
ｌ
，
息 即特征的预处理和编码
；
②
；
； （ ）
· 为 传 递
ｆ
选择何种神经网
数
为 所 求 神 经 元 的 偏 置 值
ｂ
ｉ
，
络 即神经网络构架
。
。
函数
，
的训练或学习方式属于监督型 其主要
神经网络在计算机视觉与模式识别中的巨大
ＭＬＰ
，
成功已验证了其强大的识别与分类能力 类比可
： ，
特点为 对于给定的输入信息 根据输出神经元的
见神经网络方法在加工特征识别领域也很有发展
实际值和期望值之间的误差来调整隐藏层和输出
。
潜力 本文针对目前神经网络在识别加工特征方
，
层神经元间连接权值 使其最终满足总体计算误
，
面的 能 力 和 所 取 得 的 成 果 综 述 多 层 感 知 机
。 ，
差要求 常用的训练方法有多种 例如反向传播
（
，
ＭｕｌｔｉｌａｅｒＰｅｒｃｅｔｒｏｎ ＭＬＰ
ｙ ꢀ
）、
自组织神经网络
（
，
Ｂａｃｋｒｏａａｔｉｏｎ ＢＰ
ｐ ｐｇ
） 、
、
方法
法
ｄｅｌｔａｂａｒｄｅｌｔａ
－ －
ｐ
（
、
最快下降法 高斯 牛顿法和
－
。
方法等 实验结
和 卷 积 神 经 网 络
Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔ
ꢀ ꢀ －
ＬＭ
，
）
三种典型神经网 络的发展 现状 介
ｗｏｒｋ ＣＮＮ
，
，
ＬＭ
、
方 法 高斯 牛顿法和最 快下降 法等
－
果表明
，
绍神经网络识别加工特征的具体方法 包括特征
，
方 法 其 中
训练速 度 优 于
和
ＢＰ ｄｅｌｔａｂａｒｄｅｌｔａ
－
－
［］
８
。
， ，
预处理和编码 以及神经网络的实现过程 对比分
方法最为有效
ＬＭ
析神经网络方法与其他特征识别方法及三种神经
，
网络技术特点 并在此基础上展望神经网络识别
。
加工特征技术的发展趋势
三种神经网络概述
１
ꢀ
多层感知机
１．１
ꢀ
［］
７
感知机是由
最早提出的单层神
Ｒｏｓｅｎｂｌａｔｔ
，
经网络 是第一个具有学习能力的数学模型
。
但
，
是单层的神经网络无法解决线性不可分问题 而
。
却解决了这一问题 与单层感
随后出现的
ＭＬＰ
，
ＭＬＰ
：
①
知机相比
具有 个典型特点
３
输入层和
图
结构
ＭＬＰ
１
ꢀ
，
输出层之间添加了隐藏层 且可以为多层
；
②
Ｆｉ ．１ ＭＬＰｓｔｒｕｃｔｕｒｅ
ｇ
ꢀ ꢀ
输
０２２８４０２
－ꢀ
全部评论(0)