科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于缺少关于廓形的先验知识，具有不确定性被测表面的重构精度取决于采样方法的自适应程度，即在测量过程中对下一采样点的实时合理设置。利用RBF神经网络(Radial Basis Function Neural Network-RBFNN)的非线性映射能力预测被测光滑表面备选采样点的几何特征响应，并将其不确定度估计代入提出的考虑轮廓曲率影响的MaxCWVar信息标准中用于选择下一个最优测点(Next Best Point-NBP)。以叶片截面自由曲线为例，验证了该方法自适应采样性能的优越性。与其他自适应采样策略的对比表明，基于RBFNN的响应预测对于采样点位置确定具有很好的指导作用；与其他三个常用的NBP选择标准相比，根据MaxCWVar标准得到的采样点分布更为合理，能及时准确地跟随轮廓的几何特征变化，经样本密度与曲率之间的相关性分析得以验证。特别是对采样实时性有较高要求情况下，所提出方法具有更好的重构精度和建模效率。研究成果对于探索快速、智能的复杂无模型光滑曲面重构方法具有启发意义。
- 单位
